32、基于多路径的自适应跨语言摘要生成

基于多路径的自适应跨语言摘要生成

1. 引言

跨语言摘要（Cross-Lingual Summarization，CLS）旨在从一种语言的文档中生成另一种语言的摘要。在当今高度互联的全球社区中，这项研究有助于高效理解外语文档的核心概念，其重要性日益凸显。

CLS与机器翻译（MT）和单语言摘要（MS）任务紧密相关，现有CLS模型通常会利用大量的MT和MS语料库。为了进一步利用成熟的MT和MS技术，研究人员采用了知识蒸馏方法，如变分自动编码器（VAE）等，同时预训练技术如mT5和mBart也展现出提升CLS性能的潜力。此外，丰富CLS语料库也是提高性能的有效途径，像维基百科网站就为CLS语料库提供了丰富的多语言数据。

然而，大多数现有方法采用端到端（End2End）策略，即压缩语言A的文档以生成语言B的摘要，这种策略忽略了同时阅读多语言文档的可能性，也很少关注这些文档之间的语言相关性。为了捕捉和建模这种相关性信息，本文提出了一种新颖的多路径方法，该方法可以自适应地选择网络结构中的最优路径。

本文的主要贡献如下：
1. 引入了一种创新且高效的多路径模型，用于自适应网络路径选择，利用多种语言的共性和单一语言的个性来提高摘要性能。
2. 所提出的模型可以整合多个语言输入和生成任务，有利于动态平衡不同语言的信息，并通过上下文信息有效生成摘要。
3. 全面的实证研究表明，我们的模型在各种评估中具有卓越的CLS性能，并且在可解释性方面超越了对比方法。

2. 相关工作

直观地说，CLS包含MT和MS两个子任务。传统的CLS方法基于流水线，通常将MT和MS作为独立的学习过程，大致可分为先摘要后翻译和先翻译后