點(diǎn)擊上方“視學(xué)算法”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時間送達(dá)

作者 | 王丹青

編輯 | 陳大鑫

在快節(jié)奏的生活中，人們往往沒有耐心閱讀長篇大論，而是希望能夠通過簡短的文字迅速掌握文章的重點(diǎn)信息，從而判斷是否有必要詳細(xì)閱讀。因此不管是在新聞推送還是在論文撰寫，為文章提取一個簡明扼要的摘要都是十分重要的。以往這項(xiàng)工作都是由文章作者或者專門的編輯進(jìn)行，而現(xiàn)在，人們可以通過 AI 模型自動為文章提供摘要，大大解救了為總結(jié)全文而絞盡腦汁的作者編輯們。

緊隨國際化的步伐，我們對于摘要生成的需求也不再局限于單種語言。對于我們熟悉的中文，閱讀摘要自然能夠節(jié)約部分時間，但是對于不熟悉的英法德等語言，我們更需要通過摘要來判斷是否有必要花費(fèi)大量精力對全文進(jìn)行翻譯閱讀。然而，為每一種不熟悉的語言建立一個模型實(shí)在是過于繁重，我們最希望的是有一個統(tǒng)一的模型，能夠同時對多種語言的文章進(jìn)行閱讀理解，同時生成對應(yīng)語言的摘要輸出，這就是多語言摘要的研究核心。

一個優(yōu)秀的模型除了精心的算法設(shè)計(jì)，還離不開大量的數(shù)據(jù)。由于摘要本身撰寫難度，人們很難收集到大量高質(zhì)量的文章-摘要對數(shù)據(jù)，這個現(xiàn)象在小眾的語言上尤為突出。因此，要解決多語言摘要問題，我們首先需要解決的是數(shù)據(jù)問題。有了數(shù)據(jù)之后，我們希望能夠讓模型取長補(bǔ)短，利用資源豐富的語言數(shù)據(jù)來扶貧資源稀缺的語言。

這里AI 科技評論為大家介紹一篇來自 ACL2021 Findings 的多語言摘要工作《Contrastive Aligned Joint Learning for Multilingual Summarization》。

該篇文章由字節(jié)跳動人工智能實(shí)驗(yàn)室和復(fù)旦大學(xué)合作完成，主要提供了一個囊括了12種語言，總數(shù)據(jù)量達(dá)到100萬的新多語言數(shù)據(jù)集 MLGSum。同時，該篇工作設(shè)計(jì)了兩個任務(wù)來提取文章信息并在多種語言間進(jìn)行語義對齊，從而來同時提升模型在多種語言上的摘要性能。

1

多語言摘要數(shù)據(jù)集 MLGSum

機(jī)器學(xué)習(xí)模型，算法為主，但數(shù)據(jù)先行。沒有高質(zhì)量的大規(guī)模數(shù)據(jù)只能是巧婦難為無米之炊。然而，目前絕大多數(shù)摘要數(shù)據(jù)集均集中在英文上，最近提出的多語言數(shù)據(jù)集MLSUM[1]也只提供了5種語言。

因此，作者首先從多語言新聞網(wǎng)站上收集了大量的新聞數(shù)據(jù)并進(jìn)行篩選，保留包含人工摘要的部分?jǐn)?shù)據(jù)，最終獲得了包括 12 種語言，總共文章-摘要對高達(dá)100萬的大規(guī)模數(shù)據(jù)集。具體語言和數(shù)據(jù)分布見圖 1，其中縱坐標(biāo)單位為萬。

通過柱狀圖可以看到，德語（De），英語（En），俄羅斯語（Ru），法語（Fr）和中文（Zh）的數(shù)據(jù)量較多，其余幾種語言的數(shù)據(jù)量較少。因而作者以此為劃分，前面5種作為高資源語種，后面7種作為低資源語種。

作者的目標(biāo)在于，在高資源語種上訓(xùn)練一個聯(lián)合模型，使得其能夠同時在5種語言上獲得優(yōu)于單語言模型的性能。與此同時，該聯(lián)合模型能夠很好地遷移到低資源語種上。

圖1：MLGSum的各語言數(shù)據(jù)量

2

對比學(xué)習(xí)的多語言摘要模型 CALMS

針對摘要的任務(wù)特性，作者利用對比學(xué)習(xí)的思想，設(shè)計(jì)了兩個句子級別的輔助任務(wù)。

第一個叫對比句子排序 (Contrastive Sentence Ranking, CSR)，其目的是幫助模型分辨出哪些信息更加重要。

具體做法是，首先從文章中隨機(jī)抽取出若干個句子作為摘要候選；其次將這些候選項(xiàng)和標(biāo)準(zhǔn)摘要進(jìn)行對比，相似度最高的作為正樣本，其余作為負(fù)樣本。在模型學(xué)習(xí)過程中，需要將正負(fù)樣本的表示距離不斷拉大，從而分辨出文章中哪些句子對摘要更加重要。

第二個叫對齊句替換 (Sentence Aligned Substitution, SAS)，其目的是拉近不同語言間相似句子的距離。

具體來說，首先作者從語言A的文章中抽取出一些重要信息句（如前幾句），翻譯成另一種語言B并且進(jìn)行替換，模型需要根據(jù)替換后的混合文章將原始句子還原出來。這個任務(wù)希望能夠借助翻譯拉近語種間的語義表示。從一方面來說，還原的過程可以認(rèn)為是對重要信息句做B到A的翻譯；從另一個方面來說，可以將其視作利用A文章的剩余內(nèi)容來還原重要信息句。基于重要信息句的信息量和剩余所有內(nèi)容的信息量之和相似的假設(shè)，可以將這個過程視作自監(jiān)督摘要。

圖2: CSR和SAS任務(wù)設(shè)計(jì)

3

性能一覽

作者利用 mBART 模型[2]作為多語言語言模型初始化，并且利用上述兩個任務(wù)進(jìn)行進(jìn)一步微調(diào)，最終獲得了模型CALMS（Contrastive Aligned Joint Learning for Multilingual Summarization）。

首先在5種高資源語言上進(jìn)行了實(shí)驗(yàn)，結(jié)果如下所示。其中Mono模型為每種語言一個的單語言模型，Multi模型為聯(lián)合的多語言模型?？梢钥闯觯ㄟ^上述兩個方法的設(shè)計(jì)，聯(lián)合模型在每種語言上都優(yōu)于單語言模型，并且通過針對每種語言的微調(diào)可以進(jìn)一步提升性能。

圖3: 各模型在De En Ru Fr Zh五種語言上的性能(以ROUGE-1為例)

此外，針對低資源語言，作者將上述在5種語言上聯(lián)合訓(xùn)練的模型 CALMS 作為初始化，遷移到低資源語言上。其中 Transformer 和 mBART 為直接在該低資源語言上訓(xùn)練的模型。

可以看到，針對上述5種語言較為相近的幾個語系，如Romance羅曼語(Fr Pt Es 法語 葡萄牙語 西班牙語)和Savic斯拉夫語(Ru Uk 俄語 烏克蘭語)，CALMS明顯優(yōu)于直接訓(xùn)練的單語言模型，但是對于較遠(yuǎn)的幾個語系，效果有所下降。這是因?yàn)镃ALMS針對上述5個語種進(jìn)行針對性微調(diào)優(yōu)化，導(dǎo)致語義空間和其余語系更遠(yuǎn)。同時針對沒有被mBART覆蓋的Id印度尼西亞語，CALMS取得了優(yōu)于單語言模型的效果，這是因?yàn)镃ALMS對摘要任務(wù)本身提取重要信息的能力也進(jìn)行了加強(qiáng)。

圖4: CALMS遷移到低資源語言上的性能

4

總結(jié)

該篇文章為了解決多語言摘要問題，首先提出了一個包含 12 種語言的摘要數(shù)據(jù)集 MLGSum；其次針對多語言和摘要兩個特性設(shè)計(jì)了兩個輔助任務(wù)，來加強(qiáng)模型提取重要信息和語言間對齊的能力。最終聯(lián)合模型CALMS在5種高資源語言上取得了優(yōu)于單語言模型的能力，并且證實(shí)了其在相似語系中有著良好的遷移能力。

數(shù)據(jù)集和代碼將會公開在 https://github.com/brxx122/CALMS

參考文獻(xiàn)

[1]Thomas Scialom, Paul-Alexis Dray, Sylvain Lamprier, Benjamin Piwowarski, and Jacopo Staiano. 2020. Mlsum: The multilingual summarization corpus. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), pages 8051–8067.

[2] Yinhan Liu, Jiatao Gu, Naman Goyal, Xian Li, Sergey Edunov, Marjan Ghazvininejad, Mike Lewis, and Luke Zettlemoyer. 2020. Multilingual denoising pre-training for neural machine translation. Transactions of the Association for Computational Linguistics, 8:726–742.

點(diǎn)個在看 paper不斷！