[논문 리뷰] Scientific Article Summarization Using Citation-Context and Article's Discourse Structure

Arman Cohan, Nazli Goharian|arXiv (Cornell University)|2017. 04. 21.

Topic Modeling인용 수 6

한 줄 요약

이 논문은 참조 논문의 인용-컨텍스트와 논문의 논의 구조를 통합하여 인용 기반 요약을 향상시키는 과학 논문 요약 방법을 제안한다. 참고 논문에서 맥락적으로 관련성이 있는 스퍼널을 추출하고, 논의 요소나 인용-컨텍스트 커뮤니티를 활용하여 요약의 다양성을 높임으로써, TAC2014 생물의학 요약 데이터셋에서 최고의 베이스라인 대비 루즈 점수에서 30퍼센트 이상 향상된 성과를 달성한다.

ABSTRACT

We propose a summarization approach for scientific articles which takes advantage of citation-context and the document discourse model. While citations have been previously used in generating scientific summaries, they lack the related context from the referenced article and therefore do not accurately reflect the article's content. Our method overcomes the problem of inconsistency between the citation summary and the article's content by providing context for each citation. We also leverage the inherent scientific article's discourse for producing better summaries. We show that our proposed method effectively improves over existing summarization approaches (greater than 30% improvement over the best performing baseline) in terms of \ extsc{Rouge} scores on TAC2014 scientific summarization dataset. While the dataset we use for evaluation is in the biomedical domain, most of our approaches are general and therefore adaptable to other domains.

연구 동기 및 목표

• 참조된 과학 논문의 실제 내용과 인용 요약 사이의 일관성 부족 문제를 해결하기 위해, 참고 논문의 맥락 정보를 통합한다.
• 문제, 방법, 결과, 함의 등의 논의 요소를 포함한 과학 논문의 내재된 논의 구조를 활용하여 과학 요약을 향상시킨다.
• 인용자 저자의 편향된 시각을 반영할 수 있는 맥락 부족 문제를 해결하기 위해 인용 중심 요약의 한계를 극복한다.
• 비지도 커뮤니티 탐지 및 논의 모델링을 활용하여 생물의학 외 분야에도 일반화 가능한 방법을 개발한다.
• 구조화된 문장 선택을 통해 선택된 문장의 새로운 정보성과 정보량을 극대화하여 요약 품질을 향상시킨다.

제안 방법

• 다양한 기법을 사용하여 참고 논문에서 인용-컨텍스트를 추출한다: 인용 텍스트 매칭, 명사구 추출, 키워드 기반 식별, 생물의학 개념 확장.
• 다섯 가지 표준 논의 요소인 서론, 방법, 결과, 논의, 결론을 사용하여 과학 논문의 논의를 모델링한다.
• 그래프 기반 클러스터링을 사용하여 관련된 인용-컨텍스트를 그룹화하여 인용-컨텍스트 커뮤니티를 형성함으로써, 요약의 비지도 다양성을 가능하게 한다.
• 두 가지 전략을 사용하여 요약 문장을 선택한다: 논의 요소별 반복적 선택 및 정보량과 신선도를 극대화하는 다양화 기반 선택.
• 문장 선택과 재순서 기법을 결합하여 정보량과 중복을 균형 잡는 방식으로 요약 품질을 최적화한다.
• 논의 모델링과 커뮤니티 탐지를 통합한 하이브리드 접근 방식을 통해 논문의 다양한 측면에서 핵심 과학 기여를 포괄적으로 다루는 데 기여한다.

실험 결과

연구 질문

• RQ1 참조 논문의 인용-컨텍스트를 통합함으로써 과학 논문 요약의 정확성과 대표성은 향상되는가?
• RQ2 과학 논문의 내재된 논의 구조를 활용할 경우 요약 품질과 핵심 발견의 포괄성은 어떻게 영향을 받는가?
• RQ3 인용-컨텍스트를 커뮤니티 기반으로 그룹화할 경우 요약의 다양성과 정보량은 어느 정도 향상되는가?
• RQ4 다양한 인용-컨텍스트 추출 기법(예: 명사구, 키워드, 생물의학 개념) 간 정밀도와 재현율은 어떻게 비교되는가?
• RQ5 논의 모델링과 인용-컨텍스트의 통합은 기존의 베이스라인 대비 자동 요약 평가 지표에서 측정 가능한 향상 효과를 보이는가?

주요 결과

• 제안된 방법은 TAC2014 생물의학 요약 데이터셋에서 최고 성능을 보인 베이스라인 대비 평균 루즈 점수에서 30퍼센트 이상 향상된 성과를 달성했다.
• 논의 기반 방법은 100단어 요약 시 루즈-L 점수를 34.6퍼센트 향상시키고, 250단어 요약 시 13.9퍼센트 향상시켜 다양한 길이 기준에서 뛰어난 성능을 보였다.
• 커뮤니티 기반 접근은 100단어 요약 시 루즈-L 점수를 27.16퍼센트 향상시키고, 250단어 요약 시 14.9퍼센트 향상시켜 비지도 다양화 기법의 효과를 입증했다.
• 명사구 기반 인용-컨텍스트 추출이 가장 높은 F-스코어를 기록하여 정밀도와 재현율의 균형을 가장 잘 유지했으며, 키워드 및 개념 확장 방법을 모두 능가했다.
• 관련 생물의학 개념을 인용 벡터에 확장함으로써 정밀도가 저하되고 성능이 악화된 것은 맥락의 일관성이 매우 중요함을 시사한다.
• 다양화 기반 문장 선택 전략은 짧은 요약에서 반복적 선택 전략을 능가했으나, 더 긴 요약에서는 논의 요소의 충분한 커버리지로 인해 두 전략 간 성능이 유사하게 나타났다.