井 鈺，王名揚，周文遠

(東北林業(yè)大學(xué)信息與計算機工程學(xué)院，黑龍江 哈爾濱 150036)

0 引言

文本摘要是對文本進行處理從而生成簡潔、精煉的內(nèi)容，可以幫助讀者快速理解文本的中心內(nèi)容.現(xiàn)有文本摘要方法可以分為生成式(abstractive)摘要[1]和抽取式(extractive)摘要[2]兩大類，前者通過歸納文本整體語義來生成具有概括性信息的摘要；后者則是從原文中抽取與中心思想相近的一些句子作為摘要.抽取式摘要從方法上可以劃分為基于統(tǒng)計特征方法[3-4]、基于主題模型方法[5-6]、基于圖模型方法[7-8]和基于機器學(xué)習(xí)方法[9-10]等.其中，基于圖模型方法的圖排序算法因其充分考慮文本圖的全局信息，且不需要人工標(biāo)注訓(xùn)練集的特性，被廣泛應(yīng)用于文本摘要領(lǐng)域[11].

TextRank算法作為一種經(jīng)典的文本圖排序算法，利用文本自身信息和結(jié)構(gòu)特征來獲取文本摘要.2004年，Mihalcea等[7]借鑒PageRank算法思路提出了TextRank算法，該算法將句子間的相似關(guān)系看成是一種推薦或投票關(guān)系，據(jù)此構(gòu)建TextRank網(wǎng)絡(luò)圖，并通過迭代計算得到句子的權(quán)重值.自TextRank算法被提出以來，基于該算法的自動文本摘要的研究受到廣泛的關(guān)注.考慮到關(guān)鍵詞對文本摘要提取的重大作用，李峰等[12]基于TextRank并使用關(guān)鍵詞擴展來提取文本摘要.汪旭祥等[13]結(jié)合了文本中句子位置、關(guān)鍵詞覆蓋率以及線索詞等因素提出SW-TextRank算法來提取文本摘要.但上述工作主要通過TF-IDF對關(guān)鍵詞進行統(tǒng)計，該方法只以關(guān)鍵詞在語料庫中的分布作為權(quán)值，結(jié)構(gòu)過于單一，無法充分提取文本中的重要信息[14].

近年來，利用深度學(xué)習(xí)的方法進行命名實體識別引起了研究者的關(guān)注.考慮到文本中時間、地點、人物等實體對句子語義理解的重要性，如果能獲取到文本中的這些關(guān)鍵實體，則能更加準(zhǔn)確的衡量句子的重要性，從而獲得更能反映文本核心內(nèi)容的摘要.Huang 等[15]人通過雙向長短時記憶神經(jīng)網(wǎng)絡(luò)(BiLSTM)獲得能夠體現(xiàn)文本上下文信息的語義向量，然后利用條件隨機場(CRF)[16]對BiLSTM輸出的數(shù)據(jù)進行解碼，該模型在CoNLL2003英文數(shù)據(jù)集上獲得較好的效果.類似的，廉龍穎[17]將BiLSTM-CRF應(yīng)用在網(wǎng)絡(luò)空間安全領(lǐng)域?qū)嶓w識別中，李健龍等[18]將BiLSTM-CRF應(yīng)用到軍事命名實體識別上，均取得不錯的效果.但中文存在字與詞的區(qū)別，基于詞特征抽取的BiLSTM-CRF模型實體識別效果受到分詞效果的限制，無法有效表征一詞多義的現(xiàn)象，因而實體識別性能有待進一步提高.Devlin等[19]提出基于雙向Transformer編碼的BERT模型，該模型通過超大數(shù)據(jù)、巨大模型和極大計算，能夠捕捉到任意字符間的語義關(guān)系特征，可以更好地表征不同語境中的語義信息.

最大邊際相關(guān)算法(MMR)也被用在摘要抽取的任務(wù)中，該算法最初用來查詢目標(biāo)文本和被搜索文檔之間的相似度，然后據(jù)此對文檔進行排序.Carbonell 等[20]將MMR作為一種反冗余措施應(yīng)用到文本摘要領(lǐng)域，并在TREC主題相關(guān)新聞數(shù)據(jù)集中證明了其去除冗余的有效性.王亞卓[21]將MMR應(yīng)用于計算機行業(yè)專利文本摘要冗余處理，進一步證明了MMR可以有效降低文檔摘要的內(nèi)容冗余，對于提升文檔摘要的全面性起到充分的支持作用.

考慮到關(guān)鍵實體在摘要抽取中的作用，以及摘要抽取任務(wù)對降低摘要冗余度的要求，本文提出一個集成的BBCM-TextRank(BERT-BiLSTM-CRF-TextRank-MMR)算法，擬在充分考察文本中的實體特征的基礎(chǔ)上，從文本中抽取能較好概括文本中心主題且具有較低冗余度的摘要.其中，在命名實體識別過程中，擬采用BERT-BiLSTM-CRF框架，利用BERT預(yù)訓(xùn)練模型生成字符的表示向量，利用BiLSTM-CRF架構(gòu)在字符向量基礎(chǔ)上完成文本的命名實體識別.在摘要抽取過程中，基于Word2Vec詞向量得到句子特征向量；利用TextRank算法得到每個句子的權(quán)重值，并結(jié)合BERT-BiLSTM-CRF框架識別出的實體對句子的權(quán)重做進一步優(yōu)化；結(jié)合句子權(quán)重和MMR算法對句子進行冗余處理，保留權(quán)重值較大的句子作為文本候選摘要；最后按文本原順序排列句子并輸出摘要.本文算法的具體流程如圖1所示.

圖1 BBCM-TextRank抽取摘要流程

1 基于BBCM-TextRank的文本摘要提取算法

1.1 TextRank

1.1.1 TextRank算法

TextRank是一種用于文本的基于圖排序的無監(jiān)督方法.TextRank算法將文本中的句子作為文本網(wǎng)絡(luò)圖的節(jié)點，句子間的相似度作為節(jié)點之間的權(quán)重值，從而構(gòu)建出一個無向有權(quán)圖.通過對文本網(wǎng)絡(luò)圖的迭代計算完成對文本中句子重要性的排序，選出重要性最高的幾個句子作為文本摘要.

TextRank算法的文本網(wǎng)絡(luò)圖可表示為一個無向有權(quán)圖G=(V，W)，其中V為節(jié)點的集合，W為各邊上權(quán)重的集合，假設(shè)V={V1，V2，…，Vn}，則記W={wij|1≤i≤n，1≤j≤n}，其中wij為節(jié)點Vi與Vj間邊的權(quán)重值.

對于一個包含n個句子的文本D，記D={S1，S2，…，Sn}.TextRank算法一般將句子抽象成節(jié)點V，即Vi=Si，句子之間的相似度抽象為節(jié)點之間的權(quán)重值W，即wij=similarity(Si，Sj)，進而得到一個n×n的相似度矩陣Sn×n，公式為

根據(jù)G和Sn×n可計算出每個節(jié)點的權(quán)重值，公式為

(1)

其中：Score(Vi)為節(jié)點Vi的權(quán)重；wji為圖中節(jié)點Vj到Vi的邊的權(quán)值；d為阻尼系數(shù)，表示從當(dāng)前節(jié)點指向其他任意節(jié)點的可能性；In(Vi)和Out(Vj)分別為指向節(jié)點Vi的節(jié)點集合和從節(jié)點Vj出發(fā)的邊指向的節(jié)點集合.

則基于TextRank算法的文檔D中句子Si的權(quán)重值為

(2)

1.1.2 句子相似度計算

TextRank算法構(gòu)建的文本網(wǎng)絡(luò)圖中，句子的權(quán)重取決于句子之間的相似度.因此，摘要提取的關(guān)鍵在于如何準(zhǔn)確衡量句子之間的相似度.Word2Vec[15]基于大規(guī)模語料學(xué)習(xí)向量之間的相似性表示，可以更加準(zhǔn)確地表征詞語之間的語義關(guān)系.

句子是由詞語組合而成，故句子向量可以用詞向量相加求平均表示，公式為

(3)

其中：Vecs表示句子s的向量，w為s中的詞語，Cs為s中的詞語的數(shù)量.

句子之間的相似度通過兩個句子在向量空間中的余弦相似度衡量，公式為

(4)

其中：cos(Vecsi，Vecsj)表示句子向量Vecsi和Vecsj之間的余弦相似度，n為句子向量的維數(shù)，Vecsik為Vecsi向量第k維的值.

1.2 基于BERT-BiLSTM-CRF的命名實體識別

圖2 基于BERT-BiLSTM-CRF的命名實體識別流程

1.2.1 BERT預(yù)訓(xùn)練語言模型

BERT模型是通過超大語料數(shù)據(jù)、基于巨大模型和消耗大規(guī)模算力訓(xùn)練出的能夠充分表達文本語義特征的預(yù)訓(xùn)練模型.如圖3所示，BERT模型采用了雙向多層Transformer結(jié)構(gòu)，該結(jié)構(gòu)可以反映任意位置上兩個字之間的相關(guān)程度，從而使輸出的各個字向量都充分融合了上下文的信息，有效解決了一詞多義的問題.

圖3 BERT模型結(jié)構(gòu)

Transformer的每個編碼單元由多頭自注意力機制層(Multi-Head Self-Attention)、全連接層(FeedForward)、殘差連接和歸一化層(Add&Normal)組成.如圖4所示，輸入字向量經(jīng)過多頭自注意力層獲得反映與當(dāng)前文本中各個字向量之間關(guān)系的增強語義向量；利用殘差網(wǎng)絡(luò)避免深層網(wǎng)絡(luò)條件下性能退化問題，通過歸一化將各輸入特征轉(zhuǎn)化成均值為0方差為1的數(shù)據(jù)；全連接層引入非線性激活函數(shù)ReLu，通過變換輸出向量的空間來增加模型的表現(xiàn)能力.

圖4 Transformer編碼單元結(jié)構(gòu)

Encoder的關(guān)鍵模塊是Multi-Head Self-Attention，其中Self-Attention研究的是句子中的每個字和句子中各個字之間的關(guān)系，Head指的是某個特定語義空間，Multi-Head即是多個語義空間.具體過程如下：

首先計算出當(dāng)前字和句子之間的注意力向量：

(5)

其中：Q是當(dāng)前字的向量；K是文本中各個字的向量；V是各個字的原始向量；dk是縮放因子，作用是縮小QKT的點乘結(jié)果，使模型的梯度更穩(wěn)定.

則不同頭下的Attention向量為

(6)

可以得出，Multi-Head Self-Attention將句子置于不同語義空間下做Self-Attention計算并將結(jié)果進行拼接，再通過一次線性變換將拼接結(jié)果轉(zhuǎn)換成和原始向量維度相同的多頭自注意力向量，從而得到每個字的增強語義向量.

MultiHead(Q，K，V)=Concat(head1，head2，…，headn)W0.

(7)

其中W0是附加權(quán)重.

1.2.2 BiLSTM

LSTM[16]是一種可以有效利用文本數(shù)據(jù)中時序信息，且不具備梯度消失缺陷的改進型RNN.如圖5所示，LSTM由輸入門、輸出門、遺忘門3個控制單元和一個記憶單元構(gòu)成.輸入門決定什么樣的信息會被保留，遺忘門決定什么樣的信息會被遺棄，輸出門決定有多少信息可以輸出，記憶單元則是對信息進行管理和保存.通過LSTM單元中3個門的參數(shù)可以有效管理記憶單元中的信息，使得有用的信息經(jīng)過較長的序列也能存儲在記憶單元中.

圖5 LSTM單元結(jié)構(gòu)

(8)

其中：σ是激活函數(shù)sigmoid，tanh是雙曲正切激活函數(shù)，W和b分別代表門的權(quán)重矩陣和偏置向量.

(9)

進而結(jié)合輸出門ot和當(dāng)前的細胞狀態(tài)ct計算出當(dāng)前隱層狀態(tài)ht.

ot=σ(Wo·[ht-1，xt]+bo)，ht=ot*tanh(ct).

(10)

LSTM僅存儲了當(dāng)前文本的上文信息，而下文信息對于NER任務(wù)也有非常重要的參考意義.BiLSTM基于LSTM進行優(yōu)化，綜合考慮了上下文信息，在序列標(biāo)記任務(wù)上具有突出的表現(xiàn)[16].故本文采用BiLSTM模型，其結(jié)構(gòu)見圖6.

圖6 BiLSTM結(jié)構(gòu)

1.2.3 CRF

CRF是根據(jù)設(shè)定好的特征函數(shù)組對序列標(biāo)簽之間存在的依賴關(guān)系進行判斷的一種判別式模型.BiLSTM層輸出的結(jié)果是單獨的標(biāo)簽解碼，并沒有考慮到預(yù)測標(biāo)簽信息的前后連貫性，而CRF能夠?qū)W習(xí)輸出結(jié)果序列標(biāo)簽之間的依賴關(guān)系，可以有效解決該問題，保證最終識別結(jié)果的合理性.

給定句子x=(x1，x2，…，xn)，經(jīng)過BERT和BiLSTM層輸出的不同實體標(biāo)簽得分概率P=(P1，P2，…，Pn)，可以得到句子x預(yù)測為標(biāo)簽序列y=(y1，y2，…，yn)的概率，公式為

(11)

其中：Pi，yi是第i個字對應(yīng)標(biāo)簽yi的分值，Wyi，yi+1是從yi標(biāo)簽轉(zhuǎn)移到y(tǒng)i+1標(biāo)簽概率.

(12)

其中Y是所有可能的標(biāo)簽序列集合.

1.3 利用MMR算法篩選摘要句

MMR算法在設(shè)計之初是用來計算目標(biāo)文本與被搜索文檔之間的相似度，并對文檔進行排序.公式為

(13)

其中：Q是目標(biāo)文本，C是被搜索文檔集合，R是計算的相關(guān)度集合，di代表C中的某個句子.

本文將MMR算法與句子權(quán)重融合，用當(dāng)前句子的權(quán)重值代替句子和文本的相似度，具體公式為

MMR(si)=max[λ×score(si)-(1-λ)×max[similarity(si，D)]].

(14)

其中：si為D中的第i個句子，score(si)表示句子si的權(quán)重值，λ為可變系數(shù).

2 實驗結(jié)果與分析

2.1 命名實體識別結(jié)果

2.1.1 數(shù)據(jù)集、標(biāo)注條件及評價方法

使用2014年人民日報語料標(biāo)注數(shù)據(jù)集，來驗證本文提出的基于BERT-BiLSTM-CRF算法對中文人名、地名、機構(gòu)名、時間名四類實體進行命名實體識別的效果，數(shù)據(jù)集的具體信息如表1所示.

表1 人民日報實體標(biāo)注數(shù)據(jù)集

本文的命名實體識別序列標(biāo)注使用BIO標(biāo)注方法，在實體預(yù)測時預(yù)測實體邊界和類型，待預(yù)測的標(biāo)記有“B_PER”“I_PER”“B_LOC”“I_LOC”“B_ORG”“I_ORG”“B_T”“I_T”和“O”9種，其中B_PER表示實體開始部分、I_PER表示實體非開始部分、O表示非實體部分，其他類型實體標(biāo)簽以此類推.

采用準(zhǔn)確率P、召回率R和F1值作為命名實體識別的評價指標(biāo).其中實體預(yù)測正確的條件是實體的邊界和類型全都預(yù)測正確.

2.1.2 實驗參數(shù)

本文實驗環(huán)境如表2所示.

表2 實驗環(huán)境

BERT預(yù)訓(xùn)練模型采用Google的BERT-Base-Chinese，該模型共12層，768個隱藏單元，12個注意力頭，具體超參數(shù)設(shè)置如表3所示.

表3 模型的超參數(shù)

2.1.3 實驗結(jié)果及分析

為了驗證BERT-BiLSTM-CRF模型的有效性，與BiLSTM-CRF模型進行了命名實體識別對比實驗，實驗結(jié)果如表4所示.

表4 不同模型的命名實體識別結(jié)果比較

從表4中可以看出，BERT-BiLSTM-CRF模型相對于BiLSTM-CRF模型取得了更為優(yōu)異的實體識別結(jié)果.說明在命名實體識別任務(wù)中，BERT預(yù)訓(xùn)練語言模型可以較好地表征字的多義性.在后續(xù)的文本摘要提取任務(wù)中，將采用BERT-BiLSTM-CRF模型進行命名實體的識別.

2.2 文本摘要提取結(jié)果

2.2.1 數(shù)據(jù)集及評價方法

LCSTS數(shù)據(jù)集[22]采集于新浪微博，其中包含人工打分標(biāo)記過的短文本-摘要對，得分范圍為1到5，得分高低代表短文本與相應(yīng)摘要之間的相關(guān)性大小.本文從LCSTS數(shù)據(jù)集中隨機選取1 000篇短文本-摘要對(評分為5)作為測試文本數(shù)據(jù)集，評分為5表明相應(yīng)摘要與短文本之間有較高的相關(guān)性，符合文本摘要的要求，可以作為標(biāo)準(zhǔn)摘要來使用，具體信息如表5所示.

表5 LCSTS數(shù)據(jù)集

本文采用Rouge指標(biāo)來對算法生成的摘要進行評估，Rouge基于摘要中n元詞的共現(xiàn)信息來評價摘要，是一種面向n元詞召回率的自動摘要評價方法.其基本思想是將算法自動生成的摘要與測試數(shù)據(jù)集的標(biāo)準(zhǔn)摘要進行對比，通過統(tǒng)計二者之間重疊的基本單元的數(shù)量來評價摘要的質(zhì)量.本文選取Rouge-1、Rouge-2、Rouge-L 3種評價指標(biāo)來評價算法生成摘要的質(zhì)量.

2.2.2 數(shù)據(jù)集及評價方法

本文TextRank使用基于知乎文本數(shù)據(jù)的Word2Vec模型[23]，阻尼系數(shù)d取0.85[7]，MMR的λ參數(shù)[20]取0.8，實驗環(huán)境同表2.

2.2.3 實驗結(jié)果及分析

為了驗證BBCM-TextRank算法的有效性，將本文算法TextRank算法及現(xiàn)有研究中基于TextRank的改進算法SW-TextRank[13]等設(shè)置對比實驗，并通過Rouge-1、Rouge-2、Rouge-L 3種評價指標(biāo)來對各個算法生成的摘要進行評估.實驗結(jié)果如表6所示.

表6 算法性能對比

從表6中可以看出，本文提出的BBCM-TextRank算法在Rouge-1、Rouge-2和Rouge-L 3種評價指標(biāo)上均有明顯的提高，BBCM-TextRank算法生成摘要的質(zhì)量更好.BBC-TextRank相對于TextRank，其Rouge-1、Rouge-2、Rouge-L分別提高了2.71%，1.98%，2.28%，說明通過實體識別獲得的實體權(quán)重可以有效優(yōu)化句子權(quán)重，提升了摘要反映文本信息的準(zhǔn)確性；TextRank-MMR相對于TextRank，其Rouge-1、Rouge-2、Rouge-L分別提高了12.78%，6.7%，9.61%，說明加入MMR算法可以有效去除摘要中的冗余句子，提升了摘要反映文本信息的全面性；BBCM-TextRank結(jié)合BBC-TextRank和TextRank-MMR的優(yōu)勢，相對于TextRank，其Rouge-1、Rouge-2、Rouge-L分別提高了18.85%，11.94%和15.1%，說明通過BBCM-TextRank提取的摘要兼顧了反映文本信息的準(zhǔn)確性和全面性，并且較最新基于TextRank的改進算法SW-TextRank，其Rouge-1、Rouge-2、Rouge-L分別提高了4.14%，3.8%和3.98%.

綜合實驗結(jié)果可知，BBCM-TextRank算法根據(jù)中文文本的特點，考慮文本時間、地點、人名和組織等重要實體因素，可以有效優(yōu)化句子權(quán)重，結(jié)合冗余處理，可以明顯提高生成摘要的質(zhì)量.

3 結(jié)束語

TextRank算法是在抽取式文本摘要生成中最常用的確定句子權(quán)重的方法，但該方法僅依賴文本間相似度來計算句子權(quán)重，這容易導(dǎo)致抽取的摘要句間存在較高的冗余.針對這個問題，本文提出了一種結(jié)合深度學(xué)習(xí)算法的BBCM-TextRank模型.該模型采用Word2Vec模型來生成語句向量，相對于傳統(tǒng)的TF-IDF更能捕捉語句的上下文語義信息.同時，考慮到中文文本中時間、人物、地點等實體對句子理解和語義保持的重要性，采用BERT-BiLSTM-CRF模型識別文本中的重要實體.結(jié)合識別出的實體以及句子間的語義相似性確定句子的權(quán)重，考慮到摘要要盡可能多樣地反映文本的語義內(nèi)容，在模型中增加MMR算法，以降低文本摘要的冗余，保證提取摘要的語義多樣性.通過與TextRank算法以及與最新的摘要提取算法的對比實驗，驗證了BBCM-TextRank算法能生成質(zhì)量更好的摘要.但本文提出的模型也存在一定的局限性，本文主要針對短文本摘要數(shù)據(jù)集，沒有面向長文本摘要數(shù)據(jù)集.下一步將針對長文本數(shù)據(jù)集進行摘要研究，強化摘要模型的通用性.