AI给AI论文写了个摘要，网友戏称为“摘要通过图灵测试”，推特点赞上千

铜灵 发自 凹非寺
量子位 出品  | 公众号 QbitAI

这一次AI自己给AI论文生成了一次摘要。

今天，一个可为长文自动生成总结的Transformer语言模型论文在推特火了起来。

细心了网友看到论文摘要结尾，才发现一个斜体备注中写着：上面的摘要不是作者写的，而是由研究中展示的一个模型自动生成的。

以假乱真的生成质量，让不少网友大吃一惊。并且，其生成方式也不一般：

研究证明了，即使没有复制机制，Transformer语言模型在总结长篇科学文章方面也非常有效，并且效果优于传统的seq2seq方法。

并且，与先前使用复制机制的研究相比，新方法生成的摘要更全，在用于评估自动生成的摘要和翻译水平的ROUGE评测上，获得了更高的分数。

这项研究被OpenAI研究科学家、牛津大学人类未来研究所研究员Miles Brundage的推荐和转发，不到一天时间获赞近2000，网友戏称为这是一项“摘要图灵测试”。

还有网友表示，在未来十年内，我们或许能看到第一篇transformer写出的研究论文了。

所以，这个让网友大吃一惊的总结摘要生成模型，到底是如何以假乱真的？

请看摘要↓

非复制机制

我们提出了一种新的方法，通过神经摘要式总结，可以为篇幅超过上千字的长文档自动生成摘要。

我们展示了一种在生成总结前的简单提取步骤，在执行生成摘要任务前，会根据相关信息，将其用于Transformer语言模型，帮助模型进行条件设置。

实验结果表明，这个步骤显著提高了总体结果。我们还证明了，与之前使用复制机制（copy mechanism）的工作相比，这种方法生成了抽象的总结，并且还能取得更高的Rouge分数。

此前，摘要提取方法大多依据的是序列到序列（seq2seq）的学习方法，将关键词识别定义为生成问题，输出时将关键短语看作为词序列。

为了这其中的控制参数数量只会选取其中出现频率较高的词汇，于是相对低频且重要的词汇就会在提取过程中被遗漏，于是就诞生了“复制机制”。

通过复制机制，模型解码器的部分隐藏状态当成特定的位置，不通过生成过程定义关键词，而是直接复制。

这样一来，就能保留原始文章中的重要信息了，进而在输出端生成出摘要。

而在这篇论文中提到，不通过复制机制也可以准确提取重点信息。这是怎么做到的？

Transformer语言模型

在论文On Extractive and Abstractive Neural Document Summarization with Transformer Language Models中，研究人员具体介绍了模型的架构。

这个模型提取科学论文的摘要是分阶段的。

首先，句子指针网络（pointer network）从论文中提取出重要信息。

接下来，这些提取过的句子会随着完整文章一起按照顺序进行排列：引言、抽取的句子、摘要和论文其他内容。Transformer语言模型就是在以这种格式组织的论文上进行训练的。

在推理过程中，引言和提取的句子将作为上下文提供给语言模型，最终生成摘要。在新闻和专利领域，引言部分将被全文替代。

与此前大多数神经抽象概括方法不同，这种方法没有使用带有显式编码器和解码器的seq2seq公式来生成单词。

具体来说，研究人员使用单个类似GPT的Transformer 语言模型（TLM）进行训练，在推理阶段根据文档从语言模型中生成摘要。

研究人员将这个任务一分为二，即提取步骤（extractive step）和抽象步骤。

为了处理超过几千个单词的超长文档，他们先使用两个不同的分层文档模型对句子进行提取，一个基于指针网络，另一个基于句子分类器，这样的结构保证在生成摘要前更好地调整Transformer语言模型的相关信息。

研究人员选取了四种不同的大型长文档摘要数据集，分别为arXiv、PubMed 、bigPatent和Newsroom，对模型进行测试，并用Rouge指标进行测试。

无论是针对arXiv上的科学论文：

还是NewsRoom上的新闻：

甚至是PubMed上的生物医学方面的论文：

还是130万份美国专利文献记录bigPatent ：

新方法TLM均优于此前摘要提取的baseline，并超越了先前提取结果。

作者介绍

这篇论文的共同一作共有三位，均来自Element AI。

包括蒙特利尔学习算法研究所的Sandeep Subramanian，Raymond Li和蒙特利尔大学的Jonathan Pilault及Christopher Pal。

Element AI想必大家不会陌生，这是图灵奖得主、蒙特利尔大学计算机系教授Yoshua Bengio创办的创业孵化器，帮助来自蒙特利尔大学和McGill大学的AI创业者施展拳脚。

传送门

On Extractive and Abstractive Neural Document Summarization with Transformer Language Models

https://arxiv.org/abs/1909.03186