ICML2020|Google提出最强生成式摘要预训练模型——天马_句子

时间：2020-06-21 14:40:44 来源：作者：网络

原标题：ICML 2020 | Google提出最强生成式摘要预训练模型——天马

©PaperWeekly 原创 · 作者｜蔡杰

学校｜北京大学硕士生

研究方向｜QA

论文标题：PEGASUS: Pre-training with Extracted Gap-sentences forAbstractive Summarization

论文来源：ICML 2020

论文链接：https://arxiv.org/abs/1912.08777

代码链接：https://github.com/google-research/pegasus

概述

文章提出了一种专门针对文本摘要生成的预训练方法，并提出了一种 GSG (Gap Sentence Generation) 的生成方法，该方法在模型的 fine-tune 阶段只需要 1000 个 example 就能达到 12 个数据集的 SOTA，这个结果还是很抢眼的，值得仔细读一读。

首先看一看模型图：

▲ 模型图

论文里举的例子里有三句话，encode 的时候将中间的那句话用符号代替，前后两个句子中随机找一些单词，用代替。然后预训练的时候，encoder 的任务就是去预测前后两个句子中的位置上原来的单词，decoder 的任务就是去生成中间的覆盖的一整句话。整体的思路很简单，图很清晰。

有一个个人觉得奇怪的地方就是看到模型图的时候猜测这里的是每个词对应一个，应该有 sentence_length 个，但是文章说的是只用一个来代表整个句子，这样的话可能会丢失句子这个的句子的长度信息，对于前后句子的相对位置也会有影响。如果我的猜测有不正确的地方还请大佬们指正。

论文中提到，pre-train 的 task 如果和 down-stream 的 task 越接近，那 down-stream 的 task 的效果也就会更好，按理说这是个大家都知道的结论，但是没想到这个效果更好竟然也会体现在样本的数量上，只需要 1000 个 examples 就能超过 SOTA，这是结论是我没有想到的。

为了让 pre-train 时候的 task 更接近文本摘要任务，选择 Gap_Sentence（代表的句子）的时候作者用了一些策略来选择。

Random 随机选择 m 个句子来 mask
Lead 选择前 m 个句子来 mask
Principle 给每个句子进行打分，计算每个句子和剩下部分内容的 ROUGE1-F1 值，从高到低取 m 个句子来 mask

▲ 不同策略选择的句子

作者预训练的时候训练了两个版本，一个版本是单独的 encoder，只用了 MLM（mask language model）作为 target，在 decode 阶段 decoder 和 encoder 共享参数。

另一个版本则是两个 target 一起训练（MLM 和 GSG）。MLM 这个 target 在前期（100k-200k steps）还是很管用的，但是到了后期反而会对 performance 造成影响，所以在 large 模型中，作者直接舍弃了这个 MLM 这个 target。

数据

预训练

finetune

实验

图 3 可以看出，使用 HugeNews 来 pre-train 的模型在使用前两个数据集 fine-tune 之后效果更好，在后两个数据集反之。说明预训练预料如果和下游任务接近，那效果会更好。（这不是很显然的吗。。。

图4（a）对比了 6 种不同的 GSG 策略，Ind-Orig 获得了最佳性能，其次是 Seq-Uniq。Ind-Orig 和 Seq-Uniq 在四个下游数据集始终是最好的（或相似的） “Random” 和 “Lead” 在两个新闻数据集上的表现都不错，但是在两个非新闻数据集上，表现并不好。结果表明选择 principal 句子最适合下游摘要任务。