[논문 리뷰] Small-world networks for summarization of biomedical articles

Milad Moradi|arXiv (Cornell University)|2019. 03. 07.

Topic Modeling참고 문헌 14인용 수 5

한 줄 요약

이 논문은 생물의학 논문을 위한 그래프 기반 요약 방법을 제안하며, 핵심 개념과 정보성 문장을 식별하기 위해 소월 네트워크 성질을 활용한다. 헬름홀츠 원리를 적용하여 의미 있는 주제를 추출하고 문장 공존 그래프를 구축함으로써, 노드의 차수를 중심성 측정 기준으로 사용하여 정보성 높은 문장을 선별하여 생물의학 텍스트 요약 분야에서 최신 기준인 ROUGE 점수를 달성한다.

ABSTRACT

In recent years, many methods have been developed to identify important portions of text documents. Summarization tools can utilize these methods to extract summaries from large volumes of textual information. However, to identify concepts representing central ideas within a text document and to extract the most informative sentences that best convey those concepts still remain two crucial tasks in summarization methods. In this paper, we introduce a graph-based method to address these two challenges in the context of biomedical text summarization. We show that how a summarizer can discover meaningful concepts within a biomedical text document using the Helmholtz principle. The summarizer considers the meaningful concepts as the main topics and constructs a graph based on the topics that the sentences share. The summarizer can produce an informative summary by extracting those sentences having higher values of the degree. We assess the performance of our method for summarization of biomedical articles using the Recall-Oriented Understudy for Gisting Evaluation (ROUGE) toolkit. The results show that the degree can be a useful centrality measure to identify important sentences in this type of graph-based modelling. Our method can improve the performance of biomedical text summarization compared to some state-of-the-art and publicly available summarizers. Combining a concept-based modelling strategy and a graph-based approach to sentence extraction, our summarizer can produce summaries with the highest scores of informativeness among the comparison methods. This research work can be regarded as a start point to the study of small-world networks in summarization of biomedical texts.

연구 동기 및 목표

• 생물의학 텍스트 요약에서 중심 개념과 정보성 문장을 식별하는 과제를 해결하기 위해.
• 공유 주제를 사용하여 문장 간 의미 관계를 포착하는 그래프 기반 모델을 개발하기 위해.
• 노드의 차수를 중심성 측정 기준으로 사용할 경우 정보성 높은 문장을 식별하는 데 얼마나 유용한지 평가하기 위해.
• 기존 최신 기술 및 공개된 도구들보다 요약 성능을 향상시키기 위해.
• 소월 네트워크 구조가 생물의학 텍스트 요약에 어떻게 적용될 수 있는지 탐색하기 위해.

제안 방법

• 이 방법은 생물의학 텍스트 문서 내에서 의미 있고 눈에 띄는 개념을 식별하기 위해 헬름홀츠 원리를 적용한다.
• 문장은 그래프의 노드로 표현되며, 문장 간 공통 주제에 따라 간선이 형성된다.
• 그래프는 소월 네트워크 성질을 띠도록 구성되어 의미적 관련성의 효율적 전파를 가능하게 한다.
• 노드의 차수를 중심성 측정 기준으로 사용하여 핵심 주제를 전달하는 문장의 중요도를 순위 매긴다.
• 차수 기반으로 상위 랭킹을 받은 문장들이 최종 요약을 구성하기 위해 선택된다.
• 요약 품질을 평가하기 위해 참조 요약과 비교하여 ROUGE 툴킷을 사용한다.

실험 결과

연구 질문

• RQ1 헬름홀츠 원리는 생물의학 텍스트 문서에서 눈에 띄는 개념을 효과적으로 식별할 수 있는가?
• RQ2 소월 성질을 가진 그래프 기반 모델이 문장 간 의미 관계를 얼마나 잘 포착하는가?
• RQ3 노드의 차수는 생물의학 요약에서 문장의 정보성에 대한 신뢰할 만한 지표인가?
• RQ4 제안된 방법은 ROUGE 점수 측면에서 기존 최신 기술 요약 도구들을 능가하는가?
• RQ5 개념 기반 모델링과 그래프 중심성의 조합이 요약의 정보성 향상에 기여하는가?

주요 결과

• 제안된 방법은 공개된 도구 및 최신 기술 요약 도구들을 능가하는 생물의학 텍스트 요약 분야에서 최신 기준 성능을 달성한다.
• 구축된 그래프에서 노드의 차수는 정보성 높은 문장을 식별하는 데 강력하고 효과적인 중심성 측정 기준으로 기능한다.
• 개념 기반 모델링과 그래프 기반 문장 선택의 통합은 요약의 정보성 향상에 기여한다.
• 이 방법은 향상된 ROUGE 점수를 보이며, 참조 요약과의 유사도가 높고 재현율이 우수함을 시사한다.
• 소월 네트워크 구조는 생물의학 텍스트의 의미 관계를 효과적으로 모델링하여 효율적인 요약을 지원한다.
• 결과는 소월 네트워크를 생물의학 텍스트 요약에 적용하는 타당성과 효과성을 검증한다.