[论文解读] Focused Meeting Summarization via Unsupervised Relation Extraction

Lu Wang, Claire Cardie|arXiv (Cornell University)|Jun 24, 2016

Topic Modeling参考文献 31被引用 28

一句话总结

本文提出了一种用于聚焦会议摘要的无监督框架，将决策摘要视为关系抽取任务，通过特定任务的约束和特征从对话中识别出关键决策内容短语。该方法优于无监督抽取基线方法和通用关系抽取方法，在ROUGE指标上达到与监督方法相当的性能，展示了无监督关系抽取在会议摘要生成中的潜力。

ABSTRACT

We present a novel unsupervised framework for focused meeting summarization that views the problem as an instance of relation extraction. We adapt an existing in-domain relation learner (Chen et al., 2011) by exploiting a set of task-specific constraints and features. We evaluate the approach on a decision summarization task and show that it outperforms unsupervised utterance-level extractive summarization baselines as well as an existing generic relation-extraction-based summarization method. Moreover, our approach produces summaries competitive with those generated by supervised methods in terms of the standard ROUGE score.

研究动机与目标

• 为解决生成聚焦于会议特定方面（如决策、行动或想法）的简洁、生成式摘要的挑战。
• 改进因噪声多、语句不连贯的语音转录文本而导致摘要不连贯或冗余的抽取式摘要方法。
• 探究无监督关系抽取是否能有效识别用于生成式摘要的关键短语，而无需人工标注的训练数据。
• 使用标准ROUGE指标在聚焦决策摘要上评估该方法，与抽取式和监督基线方法进行比较。

提出的方法

• 该框架将聚焦会议摘要视为无监督关系抽取的一个实例，识别指示词-论元对，其中指示词表示与决策相关的短语。
• 通过融入针对决策内容和决策提示检测量身定制的任务特定约束和特征，对现有领域内关系学习器（Chen et al., 2011）进行改进。
• 系统能够区分决策提示（如“也许可以是”）和决策内容（如“一点苹果”），仅提取后者用于摘要生成。
• 关系实例表示为（指示词，论元）对，其中论元即为需包含在摘要中的核心决策内容。
• 该方法使用句法和语义约束以提高关系检测的准确性，聚焦于与标准决策摘要一致的短语。
• 通过聚合提取的关系论元生成摘要，形成基于短语的紧凑表示，以表达决策内容。

实验结果

研究问题

• RQ1 无监督关系抽取能否有效适配于聚焦会议摘要，特别是决策内容识别？
• RQ2 该基于关系的方法与无监督话语级抽取基线相比，性能如何？
• RQ3 无监督方法在聚焦摘要中能在多大程度上实现与监督方法相当的ROUGE得分？
• RQ4 该框架能否在语句不连贯的口语对话中区分决策提示与实际决策内容？

主要发现

• 所提方法在所有ROUGE指标上均优于无监督话语级抽取基线（Longest DA、Prototype DA、GRE），在ROUGE-1、ROUGE-2和ROUGE-SU4的F1分数上均更高。
• 在ROUGE-1中达到最高的召回率（19.14），表明对参考摘要内容的覆盖更全面。
• 该方法的ROUGE得分与监督方法（SVM、CRF）相当，尤其在召回率方面表现突出，表明在无需人工标注训练数据的情况下仍具备强大的内容覆盖能力。
• 系统聚类分析显示，该方法在不同聚类配置下均保持一致的性能，ROUGE-1 F1得分高于17.4。
• 样本输出表明，与容易包含冗余或无关话语片段的抽取式方法相比，该方法生成的摘要更连贯、更全面，且基于短语。
• 该方法成功识别出决策内容短语（如“可充电电池”、“通过 docking 站”），同时过滤掉决策提示（如“也许可以是”），从而生成更简洁、更相关的摘要。