CCF-GAIR 2020
您正在使用IE低版浏览器,为了您的雷锋网账号安全和更好的产品体验,强烈建议使用更快更安全的浏览器
此为临时链接,仅用于文章预览,将在时失效
业界 正文
发私信给贝爽
发送

1

开源|谷歌发布最新“天马”模型,自动生成文本摘要已超越人类!

本文作者:贝爽 2020-06-16 22:57
导语:仅1000个样本数据,即可达到SOTA性能

我们知道,Transfromer在处理长序列文本方面比CNN/RNN表现更为出色,因此,最强大的预训练模型,如BERT、GPT均采用的是Transfromer基础架构。而且事实证明,在处理诸如机器翻译、文本摘要、语音识别、问答系统等多种语言任务时,只需进行微调,即可达到SOTA性能。

但是,Transfromer的自监督目标(self-supervised)更偏通用性,与下游语言任务联系性不强,也就是说它不知道下游执行的是机器翻译,还是文本摘要。如果自监督目标能够与下游任务建立紧密联系,那么,微调性能会更好。

基于这样的目的,Google AI团队研发出了PEGASU(天马)模型。

开源|谷歌发布最新“天马”模型,自动生成文本摘要已超越人类!

基于Transfromer编/译码器的天马架构

结果出人意料,研究发现“天马”模型不仅表现出了卓越的性能,而且在小样本数据下,能够达到同样的效果,极大地优化了训练效率,降低了数据成本。

目前,这项研究的论文《PEGASUS:Pre-training with Extracted Gap-sentence for Abstractive Summarization》已经发表在预印论文库arXiv上,而且被ICML国际机器学习大会收录。

从“间隙句子”到文本摘要,小样本性能更佳

研究人员假设,预训练目标越接近下游任务,微调的性能越好。为此,他们设定下游语言任务为“提取文本摘要”,而预训练目标为“生成间隙句子”(Gap Sentences Generation)。研究人员在输入文档中删除一些完整句子,天马模型的任务就是恢复他们。如果输出结果中能够呈现被删掉的句子,即表示与下游任务建立了联系,即生成了GSG。如下图所示:

开源|谷歌发布最新“天马”模型,自动生成文本摘要已超越人类!

这个过程就像我们做填空题一样。研究人员表示,这项看似人类都无法完成的任务真的实现了。而且他们发现越是删除一些“重要”的句子,试验的效果越好。

基于此,他们在12个下游摘要数据集上对模型进行了微调,结果显示预训练后的输出示例与微调摘要非常相似,而且这一结果经过了ROUGE标准测试。ROUGE通过N元语法重叠来计算两个文本的相似度。

另外,这些数据集十分丰富,包含文章,科学论文,专利,短篇小说,电子邮件,法律文件和使用说明,等,这说明天马模型在选择文本主题上方面并没有局限性。

更令人惊奇的是,研究人员发现天马模型在小样本数据集中同样表现出了卓越的性能。以下是研究人员选定4个数据集后,ROUGE得分与监督样本数量的关系。(虚线表示具有全监督但没有预训练的Transformer编解码器性能。)

开源|谷歌发布最新“天马”模型,自动生成文本摘要已超越人类!

可以看出,仅1000个微调示例,天马模型已经有了非常好的性能表现,而且高于未经训练的示例(虚线)。这一结果,表明天马模型在优化性能的同时,可以极大的降低数据使用的成本,同时提高了训练效率。

超越人类的性能表现

为了确保实验结果的准确性,除了ROUGE标准的衡量外,研究人员还采取了人工评估的方法。即将实验后的摘要与人类撰写的摘要进行对比。这类似于图灵测试。

研究人员采用了3个不同的数据集,评分者在进行优劣判断时,并不知道哪一个是人类的,最终结果显示评分者并不总是喜欢人类编写的摘要。

开源|谷歌发布最新“天马”模型,自动生成文本摘要已超越人类!

而且,从XSum、CNN /Daily Mail和Reddit TIFU这三个数据集中可以看出,仅训练1000个示例同样达到了超越人类的水平,再次印证天马模型在小样本下的性能优势。

开源|谷歌发布最新“天马”模型,自动生成文本摘要已超越人类!

不过,虽然经天马模型预训练后的性能表现能够与人类相媲美,它还是会存在失误。比如研究人员就以下文本进行了预训练。XSum数据集中的这篇示例全文没有提到数字“4”,但是在文本提取中,天马能够抽象出文本摘要“No proposals have been submitted to preserve four Royal Navy frigates for reuse, the BBC has learned.”,而且从2-5都是如此。

开源|谷歌发布最新“天马”模型,自动生成文本摘要已超越人类!

开源|谷歌发布最新“天马”模型,自动生成文本摘要已超越人类!

但是在第六艘护卫舰时,天马出现了失误,其摘要中显示的是“七”。说明模型在重复文本提取方面还需要进一步优化。为此,研究人员也将该项目公开发布到了Github上。

雷锋网(公众号:雷锋网)雷锋网雷锋网

如果你想了解更多研究内容,可参考:

https://ai.googleblog.com/2020/06/pegasus-state-of-art-model-for.html

https://arxiv.org/abs/1912.08777

https://github.com/google-research/pegasus 

雷锋网原创文章,未经授权禁止转载。详情见转载须知

分享:
相关文章

文章点评:

表情
最新文章
请填写申请人资料
姓名
电话
邮箱
微信号
作品链接
个人简介
为了您的账户安全,请验证邮箱
您的邮箱还未验证,完成可获20积分哟!
请验证您的邮箱
立即验证
完善账号信息
您的账号已经绑定,现在您可以设置密码以方便用邮箱登录
立即设置 以后再说