EMNLP'22 | ClidSum跨语言对话摘要解析
Windows 11 是微软全新操作系统，现代化界面，流畅操作体验，适用于学习、工作与日常生活。它更偏向把系统状态查看和常用调节动作放在一起，适合需要持续观察和微调设备状态的场景。
©作者|王佳安学校|苏州大学硕士生研究方向|文本生成排版|PaperWeekly点击这里进群—>加入NLP交流群和求职群研究背景跨语言摘要（Cross-LingualSummarization）旨在为一种语言的文档生成另一种语言的摘要。目前已有的跨语言摘要研究主要关注在新闻报道[1,2]，生活指南[3]以及百科文章[4]上，缺乏针对于对话文档的研究。不同于其他文档，对话文档记录了由多名参与者所提供的结构化对话信息，有着信息分散、话题转移频率高等特点。为了推进针对于对话文档的跨语
©作者 | 王佳安
学校 | 苏州大学硕士生
研究方向 | 文本生成
排版 | PaperWeekly
点击这里进群—>加入NLP交流群和求职群
研究背景
跨语言摘要（Cross-Lingual Summarization）旨在为一种语言的文档生成另一种语言的摘要。目前已有的跨语言摘要研究主要关注在新闻报道 [1,2]，生活指南 [3] 以及百科文章 [4] 上，缺乏针对于对话文档的研究。不同于其他文档，对话文档记录了由多名参与者所提供的结构化对话信息，有着信息分散、话题转移频率高等特点。
为了推进针对于对话文档的跨语言摘要研究，我们与微信模式识别中心展开合作，共同提出了跨语言对话摘要任务并构建了第一个大规模的跨语言对话摘要基准数据集 ClidSum。在此基础上，我们制定了不同的预训练策略来提升已有多语言预训练模型（即 mBART-50）在跨语言对话摘要上的适应力，并提出了 mDialBART 跨语言对话摘要预训练模型。目前该工作已被 EMNLP 2022 主会接收。相关链接如下：
论文标题：
ClidSum: A Benchmark Dataset for Cross-Lingual Dialogue Summarization
论文链接：
https://arxiv.org/abs/2202.05599
代码链接：
https://github.com/krystalan/ClidSum
ClidSum构建流程
2.1 构建思路
以往的跨语言摘要数据集主要通过两种方式构建：1）将单语摘要数据集中的摘要部分从源语言翻译至目标语言，这样原始文档与翻译后的摘要便可构成跨语言摘要样本；2）从多语言网站上直接收集跨语言摘要对，例如在维基百科中，将某一词条的主体部分当作源语言文档，并将该词条在其余语言版本中的首段当作目标语言摘要。
通过调研，我们发现目前没有公开的网络资源提供多语言对话数据，因此我们采用方法（1）来构建跨语言对话摘要数据集，即选择已有的单语对话摘要数据集，并翻译其中的摘要部分。
2.2 数据选择
在比较了已有的单语对话摘要数据集 [5] 后，我们选择了 SAMSum 数据集 [6] 以及 MediaSum 数据集 [7]。SAMSum 和 MediaSum 有着较高的质量，包含了真实世界中或人工标注的单语言对话-摘要对，涉及到人们生活的多种场景。这两个数据集也在近几年的单语对话摘要研究中也备受关注 [5]。
▲ 图1 SAMSum（左）与MediaSum（右）单语摘要数据集中的样例
2.3 标注过程
在确定单语对话摘要数据集之后，我们采用人工翻译的方式将 SAMSum 的全部摘要（约16K）以及 MediaSum 的部分摘要（40K）从英文分别翻译至汉语与德语。
在翻译过程中，我们采用了严格的质量控制流程，所有英汉译员均通过了英文专八（TEM-8）的资格认定，所有英德译员均通过了英文专八（TEM-8）与德语专八（PGH）的资格认定。除此之外，还有数据审查人员与数据专家对翻译结果进行抽查与评定，确保所得到的汉语/德语摘要的质量。
我们将翻译后的 SAMSum 数据集称为 XSAMSum，将 MediaSum 被翻译的部分称为 XMediaSum40k，没翻译的部分称为 MediaSum424k。
2.4 数据统计
▲ 表1 先前跨语言摘要数据集与ClidSum数据集的统计对比
如上表所示，ClidSum 一共包含了约 56K 英中跨语言对话摘要对，以及 56K 英德跨语言对话摘要对。其中约 16K 来自 SAMSum，40K 来自 MediaSum。此外，SAMSum 的文档平均长度为 83.9，而 MediaSum 则长达上千单词。因此，ClidSum 对短文本与长文本均有涉及。
mDialBART预训练模型
3.1 动机
现有的多语言预训练生成模型（例如 mBART 和 mT5）在预训练阶段仅学习到了底层的语言建模能力，并没有建模跨语言能力以及理解对话文档的能力。为了帮助多语言预训练生成模型更好地完成跨语言对话摘要任务，我们在 mBART 的基础上提出了 mDialBART 预训练生成模型。
3.2 预训练任务
▲ 图2 mDialBART中的四个预训练任务
如上图所示，为了提升模型理解对话文档的能力，我们采用了 action infilling 和 utterance permutation 预训练任务。其中 action infilling 随机掩码了对话文档中的重要信息，并让模型恢复原始对话文档，受启发于 S-BART [8]，我们将对话文档中的 who-doing-what 信息视为重要信息。Utterance permutation 打算了一篇对话文档中的 utterance 顺序，并让模型进行恢复。
除此之外，我们还采用了单语对话摘要（monolingual dialogue summarization）任务以及机器翻译（machine translation）任务同时让模型学习摘要和翻译的能力。
3.3 实验结果
▲ 表2 主实验结果
如上表所示，我们在 XMediaSum40k 上对比了 mDialBART 和众多基线模型，发现该预训练生成模型能够更好地用于跨语言对话摘要任务。
3.4 获取模型
我们已将 mDialBART 的模型参数开源在 Huggingface 社区，你可以通过下面的方式进行调用：
代码语言：javascript代码运行次数：0运行复制from transformers import MBartForConditionalGenerationmdialbart_de = MBartForConditionalGeneration.from_pretrained('Krystalan/mdialbart_de')mdialbart_zh = MBartForConditionalGeneration.from_pretrained('Krystalan/mdialbart_zh')
总结
在本文中，我们提出了跨语言对话摘要任务并构建了第一个大规模的跨语言摘要对话基准数据集 ClidSum。在构建过程中，我们采用了人工翻译已有单语对话摘要数据集的方式合成了跨语言对话摘要数据集，并进行了严格的质量控制流程。除此之外，为了让已有多语言预训练生成模型更好地完成该任务，我们在 mBART 的基础上提出了 mDialBART，利用四个预训练任务进一步提升模型理解对话、摘要和翻译的能力。实验结果证明了 mDialBART 的有效性。
参考文献
[1] Junnan Zhu, Qian Wang, Yining Wang, Yu Zhou, Jiajun Zhang, Shaonan Wang, Chengqing Zong. NCLS: Neural Cross-Lingual Summarization. In Prof. EMNLP 2019.
[2] Tahmid Hasan, Abhik Bhattacharjee, Wasi Uddin Ahmad, Yuan-Fang Li, Yong-Bin Kang, Rifat Shahriyar. CrossSum: Beyond English-Centric Cross-Lingual Abstractive Text Summarization for 1500+ Language Pairs. ArXiv preprint, abs/2112.08804.
[3] Faisal Ladhak, Esin Durmus, Claire Cardie, Kathleen McKeown. WikiLingua: A New Benchmark Dataset for Cross-Lingual Abstractive Summarization. In Findings of EMNLP 2020.
[4] Laura Perez-Beltrachini and Mirella Lapata. Models and Datasets for Cross-Lingual Summarisation. In Prof. EMNLP 2021.
[5] Xiachong Feng, Xiaocheng Feng, Bing Qin. A Survey on Dialogue Summarization: Recent Advances and New Frontiers. In Prof. IJCAI 2022 (survey track).
[6] Bogdan Gliwa, Iwona Mochol, Maciej Biesek, Aleksander Wawer. SAMSum Corpus: A Human-annotated Dialogue Dataset for Abstractive Summarization. In Prof. of the 2nd Workshop on New Frontiers in Summarization.
[7] Chenguang Zhu, Yang Liu, Jie Mei, Michael Zeng. MediaSum: A Large-scale Media Interview Dataset for Dialogue Summarization. In Prof. NAACL 2021.
[8] Jiaao Chen and Diyi Yang. Structure-Aware Abstractive Conversation Summarization via Discourse and Action Graphs. In Prof. NAACL 2021.
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
Adobe After Effects 是面向动态图形、影视特效与视频合成的专业创作软件。它提供关键帧动画、遮罩抠像、运动跟踪、三维空间、文字动画和表达式等工具，并可与 Premiere Pro、Photoshop、Illustrator
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Adobe Bridge 是面向摄影师、设计师及内容团队的免费数字资产管理工具，可集中预览照片、视频和 Adobe 项目文件，并利用评级、标签、关键词、元数据、筛选与收藏集完成分类检索。它还支持批量重命名、格式导出、相机导入及 Camera
Adobe Illustrator 是 Adobe 推出的专业矢量图形设计软件，适合在 Mac 上制作标志、图标、插画、包装、信息图及印刷版面。它以路径和锚点构建可无损缩放的图形，并提供钢笔、形状、文字、图像描摹、渐变、画板及生成式功能。
Adobe InDesign 是面向印刷品与数字出版物的专业版面设计软件，可在 Mac 上制作书籍、杂志、宣传册、海报、报告及交互式文档。它提供精细的文字样式、网格、母版、长文档管理和印前输出能力。
Adobe Lightroom Classic 是面向桌面摄影工作流的照片管理与后期处理软件，可将原始照片保存在本地硬盘，通过目录、关键词、评分和收藏夹高效整理图库，并提供 RAW 冲印、蒙版、镜头校正、批量同步及多格式导出等功能。
Adobe Media Encoder 是 Adobe 推出的专业音视频编码与转码工具，可通过队列、预设和监视文件夹批量完成格式转换、代理文件创建及多平台成片输出，并与 Premiere Pro、After Effects 等软件紧密协作。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理软件，提供图层、蒙版、选区、修复、调色、文字排版、智能对象及生成式编辑等能力。Mac 版支持 Intel 与 Apple Silicon 处理器。
Adobe Premiere Pro 是面向专业视频制作的非线性剪辑软件，提供多轨时间线、调色、音频处理、字幕、代理工作流和多格式输出能力，并可与 After Effects、Audition、Photoshop 及 Frame.io 协同
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理工具，可在 Windows 上完成照片修饰、选区抠图、图层合成、文字排版、绘画及生成式编辑。软件采用订阅授权，由 Creative Cloud 管理安装、更新与许
Adobe InDesign 是面向印刷与数字出版的专业页面排版工具，可制作书籍、杂志、宣传册、海报、交互式 PDF 和电子书。它提供精细的文字样式、多页面管理、印前检查及多格式输出能力，并能与 Photoshop、Illustrator
Adobe Illustrator 是用于绘制矢量图形、插画、图标、徽标和版式的专业设计工具。它以路径和锚点为核心，作品放大后仍能保持清晰，并提供画板、文字、渐变、图像描摹及精确变换等功能，适合品牌视觉、印刷物料、数字界面和商业插画创作。
Adobe Bridge 是 Adobe 推出的创意资产管理工具，可集中预览、分类和查找照片、视频、PDF及多种设计文件，并支持元数据、关键词、评级、批量重命名和格式导出。它可与 Photoshop、Illustrator 等应用衔接，
Adobe Lightroom Classic 是面向 Windows 桌面摄影工作流的照片管理与无损编辑工具，可通过目录集中整理大型图库，并完成 RAW 显影、局部蒙版、批量调整、打印和多格式导出。它强调本地文件管理与精细控制，
Adobe Acrobat Pro 是面向专业 PDF 工作的综合解决方案，可在 Windows 中创建、编辑、转换、比较、整理和保护文档，并支持表单、电子签名、扫描件文字识别及敏感信息永久遮盖。订阅还包含网页、移动服务和云端协作能力，
Adobe After Effects 是面向动态图形、动画与影视视觉特效制作的专业工具，可完成关键帧动画、图层合成、遮罩跟踪、抠像、文字动画和二维三维元素整合。Windows 版通过 Adobe Creative Cloud 安装及更新，
Adobe Media Encoder 是 Adobe 面向视频与音频制作流程提供的专业编码和转码工具，可批量处理媒体文件、创建代理、套用输出预设并监控文件夹自动执行任务。它与 Premiere、After Effects、Audition