ACL2017-基于神经网络方法的多文档摘要

一，问题

已有的新闻语料，为sentence-to-sentence模型在单文档摘要中的应用奠定基础。然而，针对多文档摘要，缺少相应大规模的用于复杂模型参数估计的语料。本文作者提出一种基于句子的方法，对句子重要度进行回归分析，然后基于句子重要度的排名得到相应的摘要。

二，方法介绍

本文的一个重要创新之处在于，利用句子之间的关系图，对句子向量进行优化。针对一个cluster中的多个篇章而言，每个篇章包含多个句子。

首先，每个句子的结构用RNN模型来捕捉，得到相应的句子向量。

图的构建：对于同一个cluster下，句子之间的关系（边的权重）通过三种方法衡量，利用tf-idf计算相似度，Approximate Discourse Graph，为了进一步增加变异性，作者提出sentence personalization score。

在图构建完之后，使用Kipf and Welling (2017)提出的Graph Convolutional Networks，最终输出，针对每个节点（句子）的隐藏特征，即考虑到篇章结构的句子向量。

每个篇章，继续使用rnn模型构建篇章的向量表示。

最后，针对每个cluster，篇章的平均最为cluster向量表示。

最终的句子重要度估计如下式所示：