這項(xiàng)研究旨在解決零樣本下法語、德語、西班牙語、俄語和土耳其語等多語種的抽取式摘要任務(wù)，并在多語言摘要數(shù)據(jù)集 MLSUM 上大幅提升了基線模型的分?jǐn)?shù)。

抽取式文本摘要目前在英文上已經(jīng)取得了很好的性能，這主要得益于大規(guī)模預(yù)訓(xùn)練語言模型和豐富的標(biāo)注語料。但是對(duì)于其他小語種語言，目前很難得到大規(guī)模的標(biāo)注數(shù)據(jù)。

中國科學(xué)院信息工程研究所和微軟亞洲研究院聯(lián)合提出一種是基于 Zero-Shot 的多語言抽取式文本摘要模型。具體方法是使用在英文上預(yù)訓(xùn)練好的抽取式文本摘要模型來在其他低資源語言上直接進(jìn)行摘要抽取；并針對(duì)多語言 Zero-Shot 中的單語言標(biāo)簽偏差問題，提出了多語言標(biāo)簽（Multilingual Label）標(biāo)注算法和神經(jīng)標(biāo)簽搜索模型（Neural Label Search for Summarization, NLSSum）。

實(shí)驗(yàn)結(jié)果表明，模型 NLSSum 在多語言摘要數(shù)據(jù)集 MLSUM 的所有語言上大幅度超越 Baseline 模型的分?jǐn)?shù)。其中在俄語（Ru）數(shù)據(jù)集上，零樣本模型性能已經(jīng)接近使用全量監(jiān)督數(shù)據(jù)得到的模型。

該研究發(fā)表在了 ACL 2022 會(huì)議主會(huì)長文上。

引言

隨著 BERT 在自然語言處理領(lǐng)域的發(fā)展，在大規(guī)模無標(biāo)注數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練的模式得到了廣泛的關(guān)注。

近些年，有很多研究工作在多種語言的無標(biāo)簽語料上進(jìn)行訓(xùn)練，從而得到了支持多種語言的預(yù)訓(xùn)練模型。這些基于多語言文本的預(yù)訓(xùn)練模型能夠在跨語言的下游任務(wù)上取得很好的性能，例如 mBERT、XLM 和 XLMR。對(duì)于基于 Zero-Shot 的多語言任務(wù)，上述的多語言模型也能取得不錯(cuò)的效果。其中，XLMR 模型的 Zero-Shot 效果在 XNLI 數(shù)據(jù)集上已經(jīng)能夠達(dá)到其他模型 Fine-tune 的水平。因此這為我們?cè)诔槿∈轿谋菊蝿?wù)上進(jìn)行基于 Zero-Shot 的探索提供了基礎(chǔ)。

在單語言的抽取式文本摘要中，數(shù)據(jù)集通常只含有原始文檔和人工編寫的摘要，因此需要使用基于貪心算法的句子標(biāo)簽標(biāo)注算法來對(duì)原文中的每句話進(jìn)行標(biāo)注。但這種算法是面向單語言的標(biāo)注方法，得到的結(jié)果會(huì)產(chǎn)生單語言標(biāo)簽偏差問題，在多語言的任務(wù)上仍然需要優(yōu)化。下面的圖表展示的就是單語言標(biāo)簽偏差問題。

▲表1. 多語言 Zero-Shot 中的單語言標(biāo)簽偏差問題

如上表 1 樣例所示，這個(gè)例子是摘要領(lǐng)域目前最常見的 CNN/DM 數(shù)據(jù)集中選取的部分文檔。CNN/DM 是一個(gè)英文數(shù)據(jù)集，示例中上半部分的即為原始文檔中的英文表示和人工編寫的英文摘要；示例中的下半部分是使用微軟開源的工業(yè)級(jí)翻譯模型 Marian，將英文的文檔和摘要全部翻譯為德語。示例中的這句話和人工編寫的摘要具有較高的相似性，因此會(huì)得到較高的 ROUGE 分?jǐn)?shù)。

但是對(duì)于翻譯成德語的文檔句子和摘要，我們發(fā)現(xiàn)兩者的相似性較低，對(duì)應(yīng)的 ROUGE 分?jǐn)?shù)也會(huì)較低。這種情況下，使用英語語言環(huán)境下標(biāo)注的標(biāo)簽直接訓(xùn)練的多語言文本摘要模型，在其他語言的語言環(huán)境中并不是最優(yōu)的。

上述實(shí)例表明同一個(gè)句子在不同語言環(huán)境下會(huì)存在標(biāo)簽偏差的問題，也就是目前的貪心算標(biāo)注標(biāo)簽的方式無法滿足基于 Zero-Shot 的多語言文本摘要任務(wù)。

為了解決上述基于 Zero-Shot 的多語言抽取式文本摘要中單語言標(biāo)簽偏置的問題，我們提出了一種多語言標(biāo)簽算法。在原來單語言標(biāo)簽的基礎(chǔ)上，通過使用翻譯和雙語詞典的方式在 CNN/DM 數(shù)據(jù)集上構(gòu)造出另外幾組多語言交互的句子標(biāo)簽。對(duì)于這幾組語言標(biāo)簽，設(shè)計(jì)出神經(jīng)語言標(biāo)簽搜索模型 (NLSSum) 來充分利用它們對(duì)抽取式摘要模型進(jìn)行監(jiān)督學(xué)習(xí)。

在 NLSSum 模型中，使用層次級(jí)的權(quán)重來對(duì)這幾組標(biāo)簽進(jìn)行句子級(jí)別 (Sentence-Level) 和組級(jí)別 (Set-Level) 的權(quán)重賦值。在抽取式模型的訓(xùn)練期間， Sentence-Level 和 Set-Level 權(quán)重預(yù)測器是和摘要抽取器一起在英文標(biāo)注語料上進(jìn)行訓(xùn)練的。模型推斷測試的時(shí)候，在其他語言上只使用摘要抽取器來進(jìn)行摘要抽取。

技術(shù)概覽

我們針對(duì)基于 Zero-Shot 多語言摘要任務(wù)中的單語言標(biāo)簽偏移問題，提出了神經(jīng)標(biāo)簽搜索模型來對(duì)多語言標(biāo)簽使用神經(jīng)網(wǎng)絡(luò)搜索其權(quán)重，并使用加權(quán)后的標(biāo)簽監(jiān)督抽取式摘要器。具體的流程分為以下五步：

多語言數(shù)據(jù)增強(qiáng)：這里的目前是將原始英文文檔用翻譯、雙語詞典換等方式來減少和目標(biāo)語言之間的偏差；

多語言標(biāo)簽：我們的抽取式摘要模型最終是通過多語言標(biāo)簽來進(jìn)行監(jiān)督的，其中多語言標(biāo)簽總共包含 4 組標(biāo)簽，這 4 組標(biāo)簽都是根據(jù)不同的策略來標(biāo)注的；

神經(jīng)標(biāo)簽搜索：在這步中為不同組標(biāo)簽設(shè)計(jì)了層次級(jí)的權(quán)重預(yù)測，包括句子級(jí)別 (Sentence-Level) 和組級(jí)別 (Set-Level)，最終使用加權(quán)的標(biāo)簽來對(duì)抽取式摘要模型進(jìn)行監(jiān)督；

微調(diào)訓(xùn)練 / Fine-Tunig：使用增強(qiáng)的文檔數(shù)據(jù)和加權(quán)平均的多語言標(biāo)簽來 Fine-Tune 神經(jīng)摘要抽取模型；

基于 Zero-Shot 的多語言摘要抽?。菏褂迷谟⑽臉?biāo)注數(shù)據(jù)上訓(xùn)練完的模型可以直接在低資源語言的文檔上進(jìn)行摘要句子抽取。

▲圖1：多語言標(biāo)簽

如上圖 1 所示，在原始英文文檔 D 和人工編寫摘要 s 上設(shè)計(jì)出四組多語言標(biāo)簽 (Ua,Ub,Uc,Ud)，具體的構(gòu)造方法如下所示：

1. 標(biāo)簽集合 Ua：定義 Ua=GetPosLabel (D,s) 為使用文檔 D 和人工編寫摘要 s 使用貪心算法得到的抽取為摘要的句子集合，其中 GetPosLabel 返回的是標(biāo)簽為 1 的句子的索引。使用 (D,s) 得到的是英文文檔上的到的摘要句子，這個(gè)結(jié)果對(duì)于其他語言來說并不是最優(yōu)的，因此我們還設(shè)計(jì)了另外三組標(biāo)簽。

2. 標(biāo)簽集合 Ub：首先將英文原始文檔和人工編寫摘要都使用機(jī)器翻譯模型 MarianMT 將其翻譯為目標(biāo)語言，標(biāo)記為 DMT 和 sMT，然后使用 Ub=GetPosLabel (DMT,sMT) 的方式得到翻譯后文檔上摘要句子的索引集合。這種借助于機(jī)器翻譯模型的方法相當(dāng)于使用目標(biāo)語言的句法結(jié)構(gòu)來表達(dá)原始英文的語義，因此得到的摘要句子能反應(yīng)出目標(biāo)語言句法結(jié)構(gòu)對(duì)摘要信息的偏重。

3. 標(biāo)簽集合 Uc：在這組標(biāo)簽的構(gòu)造中，首先將原始英文文檔自動(dòng)翻譯為目標(biāo)語言 DMT，然后將人工編寫的英文摘要使用雙語詞典替換為目標(biāo)語言 SWR (將所有摘要中的詞都進(jìn)行替換)，然后我們使用 Uc=GetPosLabel (DMT,SWR) 的方式得到翻譯和詞替換方式交互的摘要句子索引集合。這種方法將原始文檔使用機(jī)器翻譯來替換句法結(jié)構(gòu)，摘要使用雙語詞典翻譯來保留原始語言句法結(jié)構(gòu)同時(shí)和文檔語言保持一直，因此能夠得到目標(biāo)語言和原始語言之間句法結(jié)構(gòu)在抽取摘要句子上的交互。

4. 標(biāo)簽集合 Ud：這個(gè)方法中，文檔使用的是原始英文文檔 D；摘要先經(jīng)過機(jī)器翻譯轉(zhuǎn)換到目標(biāo)語言，然后經(jīng)過雙語詞典進(jìn)行詞替換轉(zhuǎn)換回英語，使用 S′來表示。最終我們使用 Ud=GetPosLabel (D,S′) 來得到抽取式摘要句子標(biāo)簽集合。在這種方法中，原始文檔保持不變，摘要?jiǎng)t是使用目標(biāo)語言的句法結(jié)構(gòu)，因此能夠再次得到目標(biāo)語言和原始語言之間句法結(jié)構(gòu)在抽取摘要句子上的交互。

需要注意的是，使用 GetPosLabel (D,S) 的時(shí)候，要保證 D 和 S 是同種語言的表示，因?yàn)榛谪澬乃惴ǖ臉?biāo)簽標(biāo)注算法本質(zhì)上是對(duì)詞語級(jí)別進(jìn)行匹配。另外，還有很多種構(gòu)造多語言標(biāo)簽的方法，我們只是選取了幾組有代表性的方法。這些方法中使用的機(jī)器翻譯模型和雙語詞典替換可能會(huì)引入額外的誤差，因此需要為這幾組標(biāo)簽學(xué)習(xí)合適的權(quán)重。

如下圖 2 所示，對(duì)于已經(jīng)得到的幾組多語言標(biāo)簽 (Ua,Ub,Uc,Ud)，需要設(shè)計(jì)神經(jīng)標(biāo)簽搜索的模型來對(duì)不同組的標(biāo)簽設(shè)置權(quán)重。權(quán)重包含兩部分，句子級(jí)別 (Sentence-Level) 和組級(jí)別 (Set-Level)。對(duì)應(yīng)這兩個(gè)級(jí)別的權(quán)重，我們分別定義兩個(gè)權(quán)重預(yù)測器，句子級(jí)別權(quán)重預(yù)測 Transformeralpha 和組級(jí)別權(quán)重預(yù)測 Transformerbeta。

▲圖2：多語言神經(jīng)標(biāo)簽搜索摘要模型

實(shí)驗(yàn)結(jié)果

NLSSum 是通過神經(jīng)搜索的方式來對(duì) MultilingualLabel 中不同標(biāo)簽集合賦予不同的權(quán)重，并最終得到加權(quán)平均的標(biāo)簽。使用這種最終的標(biāo)簽在英文數(shù)據(jù)集上訓(xùn)練抽取式摘要模型。和單語言標(biāo)簽相比，多語言標(biāo)簽中存在更多的跨語言語義和語法信息，因此本文的模型能夠在 Baseline 基礎(chǔ)上獲得較大的提升。

如下表 2 所示，實(shí)驗(yàn)使用的數(shù)據(jù)集包括 CNN/DM 和 MLSUM，具體數(shù)據(jù)集描述如表 6.2 所示。MLSUM 是第一個(gè)大規(guī)模的多語言文本摘要數(shù)據(jù)集，它從新網(wǎng)網(wǎng)站上爬取了 150 萬條文檔和摘要，包含五種語言：法語 (French，F(xiàn)r)、德語 (German，De)、西班牙語 (Spanish，ES)、俄語 (Russian，Ru) 和土耳其語 (Turkish，Tr)。MLSUM 是在測試推斷的時(shí)候驗(yàn)證 Zero-Shot 多語言模型的跨語言遷移能力。在訓(xùn)練階段使用的是文本摘要領(lǐng)域最常見的 CNN/DM 英文數(shù)據(jù)集。

▲表2：MLSUM 數(shù)據(jù)集上的 ROUGE 結(jié)果

這里對(duì) MLSUM 數(shù)據(jù)集上各個(gè)基線模型的的 ROUGE 結(jié)果進(jìn)行對(duì)比。表格總共分為三部分。

第一部分展示的是 Oracle 和 Lead 這些簡單的基線模型；

第二部分展示的是基于監(jiān)督學(xué)習(xí)的一些基線模型，其中 (TrainAll) 是在所有語言的數(shù)據(jù)集上進(jìn)行訓(xùn)練，(TrainOne) 是在每個(gè)語言的數(shù)據(jù)集上單獨(dú)訓(xùn)練；

第三部分展示的是無監(jiān)督學(xué)習(xí)的結(jié)果，所有的模型都是只在英文數(shù)據(jù)集上進(jìn)行訓(xùn)練。

其中，根據(jù)第二部分的結(jié)果很容易發(fā)現(xiàn)，在監(jiān)督學(xué)習(xí)中，基于生成式的摘要方式比抽取式的更加合適。在第三部分中，基線模型 XLMRSum 的性能能夠超越生成式模型的 MARGE，這說明無監(jiān)督學(xué)習(xí)中使用抽取式方法更加合適。

另外，當(dāng)使用機(jī)器翻譯和雙語詞典替換來對(duì)原始文檔進(jìn)行數(shù)據(jù)增強(qiáng)的時(shí)候 (基線模型 XLMRSum-MT 和 XLMRSum-WR)，可以發(fā)現(xiàn) XLMRSum-MT 模型會(huì)帶來模型性能下降，而 XLMRSum-WR 會(huì)帶來性能的提升，因此最終的模型中數(shù)據(jù)增強(qiáng)選擇的是基于雙語詞典的詞替換方式。

因此對(duì)于我們 NLSSum 模型，我們同樣有兩種配置，NLSSum-Sep是將 CNN/DM 單獨(dú)詞替換為對(duì)應(yīng)的一種目標(biāo)語言并進(jìn)行微調(diào)訓(xùn)練；NLSSum是 CNN/DM 詞分別替換為所有的目標(biāo)語言并在所有語言的替換后的數(shù)據(jù)集上進(jìn)行微調(diào)訓(xùn)練。

最終結(jié)果顯示，在所有語言上進(jìn)行訓(xùn)練的 NLSSum 效果更好。從表格中我們可以總結(jié)出以下結(jié)論：

基于翻譯模型的輸入數(shù)據(jù)增強(qiáng)會(huì)引入誤差，所以應(yīng)該避免在輸入中使用翻譯模型；相反，雙語詞典的詞替換方式是一個(gè)不錯(cuò)的數(shù)據(jù)增強(qiáng)方法；

標(biāo)簽的構(gòu)造過程中不涉及模型輸入，所以可以使用機(jī)器翻譯模型來輔助標(biāo)簽生成。

如下圖 3 所示，通過可視化分析進(jìn)一步研究不同語言間重要信息的分布位置，從中可以看出英文語言中重要信息分布較為靠前，而其他語言中的重要信息則比較分散，這也是多語言標(biāo)簽?zāi)軌蛱嵘Ｐ托阅苤匾颉?/p>

▲圖3：不同語言中摘要句子的分布位置

未來研究將關(guān)注于：1. 尋找更加合理的多語言句子級(jí)別標(biāo)簽標(biāo)注算法；2. 研究如何提升低資源語言摘要結(jié)果，同時(shí)不降低英語語料上的結(jié)果。

審核編輯：郭婷