文章主题：铜灵, 凹非寺, AI论文, 摘要
铜灵 发自 凹非寺
量子位 出品 | 公众号 QbitAI这一次AI自己给AI论文生成了一次摘要。
今天，一个可为长文自动生成总结的Transformer语言模型论文在推特火了起来。
在仔细阅读论文摘要的结尾部分时，网友们意外地发现了一个斜体注释：上述摘要并非出自作者之手，而是由研究过程中所采用的一个模型自动生成的。
以假乱真的生成质量，让不少网友大吃一惊。并且，其生成方式也不一般：
经过大量研究证实，Transformer语言模型在处理长篇科学文章时表现出了极高的效能，其成果甚至超越了传统的seq2seq方法。这一发现进一步证明了Transformer在自然语言处理领域的强大实力，为科研工作者提供了全新的解决方案。
此外，相较于之前采用复制策略的研究，本方法生成的摘要更为全面。在衡量自动生成的摘要及翻译水平的ROUGE评估中，该方法取得了更高的评分，从而证明了其有效性。
这篇文章由OpenAI研究科学家及牛津大学人类未来研究所研究员Miles Brundage大力推荐并转发，短短一日之间，其点赞数量便迅速攀升至接近2000，引发网友纷纷议论，将其称为一场“摘要图灵测试”。
还有网友表示，在未来十年内，我们或许能看到第一篇transformer写出的研究论文了。
所以，这个让网友大吃一惊的总结摘要生成模型，到底是如何以假乱真的？
请看摘要↓
非复制机制
我们提出了一种新的方法，通过神经摘要式总结，可以为篇幅超过上千字的长文档自动生成摘要。
在撰写本文之前，我们对相关内容进行了精细梳理与提炼，以确保在执行摘要生成任务时，能够充分利用相关信息，为模型提供条件设定支持。
经过实验验证，我们发现这一步显著性地提升了整体效果。同时，相较于之前的复制机制（copy mechanism）方法，该策略能够生成更为抽象的概括，并具备更高的Rouge评分表现。
此前，摘要提取方法大多依据的是序列到序列（seq2seq）的学习方法，将关键词识别定义为生成问题，输出时将关键短语看作为词序列。
为了这其中的控制参数数量只会选取其中出现频率较高的词汇，于是相对低频且重要的词汇就会在提取过程中被遗漏，于是就诞生了“复制机制”。
通过复制机制，模型解码器的部分隐藏状态当成特定的位置，不通过生成过程定义关键词，而是直接复制。
这样一来，就能保留原始文章中的重要信息了，进而在输出端生成出摘要。
而在这篇论文中提到，不通过复制机制也可以准确提取重点信息。这是怎么做到的？
Transformer语言模型
在论文On Extractive and Abstractive Neural Document Summarization with Transformer Language Models中，研究人员具体介绍了模型的架构。
这个模型提取科学论文的摘要是分阶段的。
首先，句子指针网络（pointer network）从论文中提取出重要信息。
接下来，这些提取过的句子会随着完整文章一起按照顺序进行排列：引言、抽取的句子、摘要和论文其他内容。Transformer语言模型就是在以这种格式组织的论文上进行训练的。
在推理过程中，引言和提取的句子将作为上下文提供给语言模型，最终生成摘要。在新闻和专利领域，引言部分将被全文替代。
与此前大多数神经抽象概括方法不同，这种方法没有使用带有显式编码器和解码器的seq2seq公式来生成单词。
具体来说，研究人员使用单个类似GPT的Transformer 语言模型（TLM）进行训练，在推理阶段根据文档从语言模型中生成摘要。
研究人员将这个任务一分为二，即提取步骤（extractive step）和抽象步骤。
为了处理超过几千个单词的超长文档，他们先使用两个不同的分层文档模型对句子进行提取，一个基于指针网络，另一个基于句子分类器，这样的结构保证在生成摘要前更好地调整Transformer语言模型的相关信息。
研究人员选取了四种不同的大型长文档摘要数据集，分别为arXiv、PubMed 、bigPatent和Newsroom，对模型进行测试，并用Rouge指标进行测试。
无论是针对arXiv上的科学论文：
还是NewsRoom上的新闻：
甚至是PubMed上的生物医学方面的论文：
还是130万份美国专利文献记录bigPatent ：
新方法TLM均优于此前摘要提取的baseline，并超越了先前提取结果。
作者介绍
这篇论文的共同一作共有三位，均来自Element AI。
包括蒙特利尔学习算法研究所的Sandeep Subramanian，Raymond Li和蒙特利尔大学的Jonathan Pilault及Christopher Pal。
Element AI想必大家不会陌生，这是图灵奖得主、蒙特利尔大学计算机系教授Yoshua Bengio创办的创业孵化器，帮助来自蒙特利尔大学和McGill大学的AI创业者施展拳脚。
传送门
On Extractive and Abstractive Neural Document Summarization with Transformer Language Models
https://arxiv.org/abs/1909.03186
— 完
—
加入社群 | 与优秀的人交流
小程序 | 全类别AI学习教程
量子位 QbitAI · 头条号签约作者
վᴗ ի 追踪AI技术和产品新动态
喜欢就点「好看」吧 ！
AI时代，拥有个人微信机器人AI助手！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
搜索微信号aigc666aigc999或上边扫码，即可拥有个人AI助手！
