神经网络在智能摘要中应用

前段时间，因为工作需要，对智能摘要做了调研，主要集中在神经网络方法，主要方法是生成式 abstract方法，应用seq2seq生成居多。（因调研报告写在word中，将word中图片需要存起来再贴到文章中，太耗时，就省去图片了，本文具体用处可以作为智能摘要的引导文章，重点可看框架和参考文献，相应图片自行补齐吧）
文章主要分五个部分：
1. 开放数据
2. 智能摘要形式
3. 评价指标
4. 模型发展
5. 参考文献

一、开放数据集
DUC， Daily Mail/CNN, Gigaword, LCSTS(唯一中文微博标题生成语料）[1]

二、智能摘要形式
Extract (抽取式，优点：语法无误，缺点：压缩性不高，句子间衔接不够通顺）
Abstract（生成式，优点：通顺，压缩性高；缺点：重复，oov问题）

三、评价指标[2-4]
Rouge-1
Rouge-2
Rouge-L
BLEU

四、模型发展
本文调研主要是智能标题的生成，headline形式对语义压缩要求较高，一般应该使用Abstract形式，故本文调研主要集中在神经网络在Abstract生成中应用
4.1 神经网络在Extract 形式的发展
a) Extract模型分类算法
SummaRuNNer便是一个典型的文本筛选网络[7]，本文将文本摘要重要句子提取问题，变为一个分类问题（二分类），提取的句子为一个类型，不提取的句子为另一个类型。这种监督学习方法，需要标注，作者在此提出了免人工标注的一种近似方法，即根据rouge值得变化，没增加一个句子看rouge是否有变化，有标为提取句子。此处也使用了分层文本分类方法，分别是word层和sentence，两层均为双向rnn形式。达到了一个start of art的分数。

b) CNN的形式进行文章句子筛选[6]
本文使用CNN进行文