前言
抽取式摘要可谓是一项很常见的NLP任务，但是由于缺乏训练语料使得这项任务比较难进行train，可是我们知道英文的相关数据集其实很多，于是可以通过跨语态的技术来辅助目标语言的抽取摘要学习。即利用英语的数据集作为监督信息来对齐学习目标语言，进而达到目标语言的监督学习。
今天来介绍的这篇就是解决这个问题的，一起来看下吧~
论文链接：https://arxiv.org/pdf/2204.13512v1.pdf
方法
既然想利用跨语态，那其实首先要解决的就是怎么对齐语种。作者这里借助了两个常见的方法：
Word Replacement (WR)：单词替换即从英文句子中随机选取一些word，然后通过词典用目标语言单词替换。
Machine Translation (MT) ：这个就很好理解了，直接借助翻译工具进行整句翻译。
接下来说说标签的事，既然要进行监督学习就得有label，具体到抽取式摘要这个任务，其实就是一个分类任务，假设有一个待抽取摘要的英文doc D，其对应的摘要是S，就是说D中的每个句子其实是一个二分类，在S中的label就是1不在的就是0，作者结合跨语态一共设计了4,种label如下：
图中EN代表英文，FR代表目标语言，可以看到一共有a,b,c,d四种label。
首先看a就是很简单的英文原始监督语料，b是利用MT分别将D和S翻译成目标语言，c是利用MT将D翻译成目标语言然后利用WR(100%替换)将S替换成目标语言，d是保持D不变对于S先利用MT翻译然后再利用WR回译为英文。
除了上面的，作者还增加了一个Neural Label如下
这里公式和符号有点多，我们从上到下一点点来看，第一个公式也即(4)其实就是过了transformer结构得到的表征，U是上述abcd四种情况的集合，对于在U的就是过了模型结构后的概率，不在的直接就是0，第二个公式就是pooling了一下，第三个公式就是得到Neural Label的关键，第四个公式就是归一化了一下，因为对于抽取式摘要结果就是预测一个概率大于0.5的就认为是摘要保留，所以这个加了一个0.5。
有了上述的准备后，下面就可以进行监督学习了，具体的Loss如下
CE是交叉熵，第一个的label句子的非0即1，第二个的l如前面所讲，后面两个句子分别是非pooling和pooling方式，其label也很简单就是在abcd就是1不在就是0。
实验效果
更多详细的结果可以看paper
总结
不仅是摘要抽取，其他很多NLP任务其实都存在Zero-Shot问题，而诸如英文等语料非常多，所以可以考虑使用跨语态的方法来辅助增强学习，但是说实话确实有难度，具体是不是有效还是以实验结果为准吧。不论怎样跨语态是一个可以实验的思路吧，而本篇paper的idea大家可以借鉴一下。
关注
欢迎关注，下期再见啦~
欢迎关注笔者微信公众号：
github:
Mryangkaitong · GitHubhttps://github.com/Mryangkaitong
知乎：
Original: https://blog.csdn.net/weixin_42001089/article/details/124562579
Author: weixin_42001089
Title: Zero-Shot跨语态抽取式文摘
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/528706/
转载文章受原作者版权保护。转载请注明原作者出处！