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 for Abstractive 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。

上图显示了不同的选取间隔句子比例带来的不同效果， 最佳性能的 GSR 低于 50％。间隔语句为 15％ 的模型在 CNN / DailyMail 上的 ROUGE 得分最高，而XSum / Reddit TIFU 和 WikiHow 分别为 30％ 和 45％ 时表现更好。

不同的词表大小，带来的收益也是不一样的。

再看看 large 模型的效果：

图 6 显示的是 low-resource 微调的结果。实线是在 0（zero-shot），10，100、1k，10k 的示例。虚线是 Transformer-base 模型，其大小与 PEGASUS-base 相同，并且经过完整的监督数据集训练，但无需预训练。

这就是论文中提到的只需要 1000 个 example，便可以超过 SOTA。

更多阅读

#投 稿 通 道#

 让你的论文被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。

📝 来稿标准：

• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向） 

• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接 

• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志

📬 投稿邮箱：

• 投稿邮箱：[e-mail] 

• 所有文章配图，请单独在附件中发送 

• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。