抽象テキスト要約におけるマルチファクト修正

事前学習したニューラル抽象要約システムは、少なくともROUGEの観点においてニュース要約のパフォーマンスにおいて抽出戦略を支配しています。しかし、システム生成の抽象要約は、しばしば事実の不整合という落とし穴に直面します。これは、ソーステキストに対して不正確な事実を生成することです。この課題に対処するために、私たちはSpan-Factを提案します。これは、質問応答モデルから学んだ知識を活用して、スパン選択を通じてシステム生成の要約に対して修正を行う2つの事実修正モデルのスイートです。私たちのモデルは、ソーステキストに対して意味的整合性を確保するために、単一または複数のマスキング戦略を採用して、エンティティを逐次的または自己回帰的に置き換えることによって、抽象要約モデルによって生成された要約の構文構造を保持します。実験により、私たちのモデルは、自動指標と人間の評価の両方において要約の質を犠牲にすることなく、システム生成の要約の事実整合性を大幅に向上させることが示されました。