论文笔记 --《Get To The Point: Summarization with Pointer-Generator Networks》

来源： ACL 2017
关键词：NLG，Pointer-Generator Networks

---

1.背景及问题描述

seq2seq模型的出现给生成式摘要（abstractive text summarization）的实现提供了更好的方案，但是seq2seq常常出现的两点弊端：1. 它容易生成不准确的细节 2. 容易重复 3.不能处理OOV问题。作者提出了两个方法来提升seq2seq模型的表现，一个是将PointerNetwork与seq2seq中的encoder结合起来，使得生成的结果中既有seq2seq从全部词典中生成的，也有从源文本中copy的，这样即可以帮助生成准确的词语，同时也可以处理OOV的问题。第二点是使用coverage机制来追踪摘要的部分，一次来避免重复（repetition）。

2.已有的解决方案

seq2seq+attention是处理此类问题的baseline：

seq2seq模型分为encoder和decoder。在encoder端，需要将文章 $w_i$中的单词一个一个的fed到encoder中（LSTM或者Transformer），经过encoder得到文章 $i$的编码状态 $h_i$ （encoder hidden states）,在decoder端，在每一个时刻 $t$，decoder接收前一个时刻单词的词向量，求得解码状态 $s_t$（decoder hidden state ），然后计算得到注意力权重 $a^t$：

$$e^t_i=v^T tanh_{(W_hh_i+W_ss_t+b_{atn})} \\ a^t=softmax(e^t)$$

公式中 $v$, $W_h$, $W_s$以及 $b_{attn}$都是可学习的参数。 这里得到的注意力权重 $a^t$可以看作是关于source中所有词语的关注度概率，用来告诉decoder应该关注那一个word来生成下一个词语。

然后使用注意力权重 $a^t$和编码状态 $h_i$计算得到加权的编码状态,看作是上下文向量 $h^*_t$：

$$h^{*}_t = \sum_i{a^t_ih_i}$$

将上面得到的上下文向量 $h^*_t$送入到两层线性层，计算softmax得到单词表概率分布 $P_{vocab}$，概率值表示词典中所有vocab被选中的概率。

$$P(w) = P_{vocab}=softmax_{(V^{'} (V[s_t, h^{*}_t] + b)+b^{'} )}$$

最后使用交叉熵计算loss，完整的loss就是序列每个位置loss的平均值：

$$loss_t = -log_{P(w^{*}_t)} \\ loss = \frac{1}{T}\sum^{T}_{t=0}{loss_t}$$

3.解决方案概述

本篇论文是在seq2seq基础上提出了Pointer-Generator Networks，也就是seq2seq+PointerNetwork：

1. Pointer-Generator Networks

在解码阶段，如何确定是从source中copy还是生成，作者引入一个权重 $p_{gen} \in [0,1]$来决定。具体的计算,在 $t$时刻： $p_{gen}= sigmoid(W^{T}_{h^{*}}h^{*}_t + w^{T}_ss_t + w^{T}_xx_t+b_{ptr})$ 其中， $W_{h^{*}}$, $w_s$, $s_x$以及 $b_{ptr}$是可学习参数，解码状态 $s_t$，上下文向量 $h^*_t$，decoder的输入 $x_t$ 。 在解码阶段需要维护一个扩展的词典，即原本词典加上source中出现的所有词语，我们在这个扩展的词典上计算所有token的概率：

$P(w) = p_{gen}P_{vocab}(w) + (1-p_{gen})\sum_{i:w_i=w}{a^{t}_i}$

在这里，如果 $w$是OOV，则 $P_{vocab}$为0,相同的，如果 $w$没有出现在source中，则后面一项也为0.

loss的定义与seq2seq中相同。

2.Coverage mechanism

重复是seq2seq模型经常出现的问题，本文引入 Coverage model来解决这个问题，这也是本文的主要亮点。具体实现上，就是将之前所有step的注意力权重相加到一个覆盖向量(coverage vector) $c^{t}$ 上。就是用先前的注意力权重决策来影响当前注意力权重的决策，这样就避免在同一位置重复，从而避免重复生成文本。具体计算如下： $c^{t}=\sum^{t-1}_{t^{'}=0}{a^{t^{'}}}$ 然后将覆盖向量添加到注意力权重的计算过程中： $e^t_i=v^T tanh_{(W_hh_i+W_ss_t+w_cc^{t}_i +b_{atn})}$ 这就可以使得在计算注意力权重时，当前的决定是受到历史决定影响的，这样就可以让注意力机制避免重复关注某个位置，也就可以避免生成重复词语。

作者发现引入 coverage loss 是很有必要的，coverage loss的计算方式如下： $covloss_t=\sum_i{min(a^{t}_i c^{t}_i)}$

值得注意的是这个loss只会对重复的attention产生惩罚(min)，并不会强制要求模型关注原文中的每一个词.

模型最终的loss为，其中 $\lambda$是超参数： $loss_t = -log_{P(w^{*}_t)} + \lambda \sum_i{min(a^{t}_i c^{t}_i)}$

coverage loss的量化解释

为什么加入coverage loss就能起到惩罚重复关注的位置呢？比如，对于一个4个单词的序列，在 $t$步计算得到的coverage向量为： $c^t_i=(0.03,2.88,0.03,0.03)$,显然第二个token被关注的太多了，应该对它适当的惩罚。 如果decoder在 $t$时刻attention继续关注的还是第二个token，比如： $a^t_i=(0.01,0.96,0.01,0.01) \\ covloss_t=\sum_i{min(a^{t}_i c^{t}_i)}=\sum{a^t_i}=1$ 这正情况得到的loss就比较大。 如果decoder在 $t$时刻不是关注的第二个token呢？比如： $a^t_i=(0.96,0.01,0.01,0.01) \\ covloss_t=\sum_i{min(a^{t}_i c^{t}_i)}=\sum{(0.03,0.01,0.01,0.01)}=0.06$ 这种情况计算得到的loss就比较小了。

4.结果分析

在abstractive摘要的评测中，本文提出的方法在ROUGE这个指标上提升比较明显。 此外，作者发现，lead-3的实验设置，也就是只取文章的前3句话进行抽取生成，ROUGE得分明显更高，这是因为新闻的关键信息一般出现在文章开头。实际上，作者实验发现，只使用前400个token效果更好。

此外作者还分析了，本文模型与seq2seq+attentoin模型生成很少见n-gram的比例： 少见n-gram的定义是没有出现在原本的n-gram。从上图可以发现，本文模型生成比较少的少见n-gram，seq2seq+attentoin模型生成的比较多，并且大多数都是错误的。

5.创新点或贡献

1. 文本提出了一种引入覆盖机制的混合指针模型，可以有效缓解生成模型不准确和重复的问题。
2. 在长文抽取任务中，本模型结果大大超出当时的SOTA。
3. 本文是在seq2seq模型基础上加入的PointerNetwork和Coverage model，效果提升很多，但是模型参数没有增加很多。详细的，baseline模型参数共有21,499,600参数，pointer-generator增加1153参数，coverage增加512参数

6.个人思考

经典的文章，经典的思路，值得深入学习！

[参考] paper code-pytorch