fastNLP/reproduction/Summarization

• Summarization
• • Extractive Summarization
  • • Models
    • Dataset
    • Evaluation
    • • FastRougeMetric
      • PyRougeMetric
    • Dataset_loader
    • Train Cmdline
    • • Baseline
      • BertSum
    • Performance and Hyperparameters
  • Abstractive Summarization

Summarization

Extractive Summarization

Models

FastNLP中实现的模型包括：

1. Get To The Point: Summarization with Pointer-Generator Networks (See et al. 2017)
2. Searching for Effective Neural Extractive Summarization What Works and What's Next (Zhong et al. 2019)
3. Fine-tune BERT for Extractive Summarization (Liu et al. 2019)

Dataset

这里提供的摘要任务数据集包括：

• CNN/DailyMail
• Newsroom
• The New York Times Annotated Corpus
  • NYT
  • NYT50
• DUC
  • 2002 Task4
  • 2003/2004 Task1
• arXiv
• PubMed

其中公开数据集(CNN/DailyMail, Newsroom, arXiv, PubMed)预处理之后的下载地址：

• 百度云盘 (提取码：h1px)
• Google Drive

未公开数据集(NYT, NYT50, DUC)数据处理部分脚本放置于data文件夹

Evaluation

FastRougeMetric

FastRougeMetric使用python实现的ROUGE非官方库来实现在训练过程中快速计算rouge近似值。
源代码可见 https://github.com/pltrdy/rouge

在fastNLP中，该方法已经被包装成Metric.py中的FastRougeMetric类以供trainer直接使用。
需要事先使用pip安装该rouge库。

pip install rouge

注意：由于实现细节的差异，该结果和官方ROUGE结果存在1-2个点的差异，仅可作为训练过程优化趋势的粗略估计。

PyRougeMetric

PyRougeMetric 使用论文 ROUGE: A Package for Automatic Evaluation of Summaries 提供的官方ROUGE 1.5.5评测库。

由于原本的ROUGE使用perl解释器，pyrouge对其进行了python包装，而PyRougeMetric将其进一步包装为trainer可以直接使用的Metric类。

为了使用ROUGE 1.5.5，需要使用sudo权限安装一系列依赖库。

1. ROUGE 本身在Ubuntu下的安装可以参考博客
2. 配置wordnet可参考：

$ cd ~/rouge/RELEASE-1.5.5/data/WordNet-2.0-Exceptions/
$ ./buildExeptionDB.pl . exc WordNet-2.0.exc.db
$ cd ../
$ ln -s WordNet-2.0-Exceptions/WordNet-2.0.exc.db WordNet-2.0.exc.db

3. 安装pyrouge

$ git clone https://github.com/bheinzerling/pyrouge
$ cd pyrouge
$ python setup.py install

4. 测试ROUGE安装是否正确

$ pyrouge_set_rouge_path /absolute/path/to/ROUGE-1.5.5/directory
$ python -m pyrouge.test

Dataset_loader

• SummarizationLoader: 用于读取处理好的jsonl格式数据集，返回以下field

  • text: 文章正文
  • summary: 摘要
  • domain: 可选，文章发布网站
  • tag: 可选，文章内容标签
  • labels: 抽取式句子标签

• BertSumLoader：用于读取作为 BertSum（Liu 2019） 输入的数据集，返回以下 field：

  • article：每篇文章被截断为 512 后的词表 ID
  • segmet_id：每句话属于 0/1 的 segment
  • cls_id：输入中 ‘[CLS]’ 的位置
  • label：抽取式句子标签

Train Cmdline

Baseline

LSTM + Sequence Labeling

python train.py --cuda --gpu <gpuid> --sentence_encoder deeplstm --sentence_decoder SeqLab --save_root <savedir> --log_root <logdir> --lr_descent --grad_clip --max_grad_norm 10

Transformer + Sequence Labeling

python train.py --cuda --gpu <gpuid> --sentence_encoder transformer --sentence_decoder SeqLab --save_root <savedir> --log_root <logdir> --lr_descent --grad_clip --max_grad_norm 10

BertSum

Performance and Hyperparameters

Model	ROUGE-1	ROUGE-2	ROUGE-L	Paper
LEAD 3	40.11	17.64	36.32	our data pre-process
ORACLE	55.24	31.14	50.96	our data pre-process
LSTM + Sequence Labeling	40.72	18.27	36.98
Transformer + Sequence Labeling	40.86	18.38	37.18
LSTM + Pointer Network	-	-	-
Transformer + Pointer Network	-	-	-
BERTSUM	42.71	19.76	39.03	Fine-tune BERT for Extractive Summarization
LSTM+PN+BERT+RL	-	-	-

Abstractive Summarization

Still in Progress...