[论文解读] Scientific Article Summarization Using Citation-Context and Article's Discourse Structure

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

Topic Modeling被引用 6

一句话总结

该论文提出了一种科学文献摘要方法，通过整合引用文献的引用上下文并利用文章的论述结构，增强基于引用的摘要。通过从参考文献中提取上下文相关的文本片段，并利用论述特征或引用上下文社区来多样化摘要内容，该方法在TAC2014生物医学摘要数据集上相较最佳基线模型，Rouge分数提升超过30%。

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.

研究动机与目标

• 通过整合参考文献中的上下文信息，解决引用摘要与被引用科学文献实际内容之间的一致性问题。
• 通过利用科学文献固有的论述结构（如问题、方法、结果和影响），提升科学摘要质量。
• 克服仅依赖引用的摘要所存在的局限性，后者缺乏上下文且可能反映引用作者的偏见观点。
• 开发一种可泛化的通用方法，适用于生物医学以外的科学领域，结合无监督社区检测与论述建模技术。
• 通过结构化句子选择策略，最大化所选句子的新颖性与信息量，从而实现更高水平的摘要质量。

提出的方法

• 使用多种技术从参考文献中提取引用上下文：引用文本匹配、名词短语抽取、基于关键词的识别以及生物医学概念扩展。
• 采用五种标准论述特征对科学文献的论述结构进行建模：引言、方法、结果、讨论和结论。
• 利用基于图的聚类方法构建引用上下文社区，以实现摘要内容的无监督多样性。
• 采用两种策略选择摘要句子：按论述特征逐轮迭代选择，以及基于多样性的选择策略，以最大化信息量与新颖性。
• 通过结合句子选择与重排序机制优化摘要质量，实现信息量与冗余度之间的平衡。
• 采用混合方法，整合论述建模与社区检测技术，以提升对论文不同方面关键科学贡献的覆盖度。

实验结果

研究问题

• RQ1 将参考文献中的引用上下文信息整合进来，能否提升科学文献摘要的准确性和代表性？
• RQ2 利用科学论文固有的论述结构，对摘要质量及关键发现的覆盖程度有何影响？
• RQ3 基于社区的引用上下文分组在多大程度上提升了摘要的多样性与信息量？
• RQ4 不同引用上下文抽取方法（如名词短语、关键词、生物医学概念）在精确率与召回率方面的表现如何比较？
• RQ5 将论述建模与引用上下文整合，是否能在自动摘要指标上带来可测量的性能提升，超过现有基线？

主要发现

• 所提出的方法在TAC2014生物医学摘要数据集上，相较最佳基线模型，平均Rouge分数提升超过30%。
• 基于论述结构的方法在100词摘要中使Rouge-L提升34.6%，在250词摘要中提升13.9%，表明在不同长度阈值下均表现优异。
• 基于社区的方法在100词摘要中实现27.16%的Rouge-L提升，在250词摘要中实现14.9%的提升，显示出有效的无监督多样性增强能力。
• 基于名词短语的引用上下文抽取方法取得了最高的F值（精确率与召回率的最佳平衡），优于基于关键词和概念扩展的方法。
• 通过相关生物医学概念扩展引用向量，导致精确率下降并引发性能退化，表明严格保持上下文一致性至关重要。
• 基于多样性的句子选择策略在短摘要中优于迭代选择策略；而在长摘要中，两者表现相近，原因在于论述特征已得到充分覆盖。