摘要

抽象摘要模型通常从头开始隐式地学习捕捉关键信息。近年来的研究通过引入抽取式摘要作为指导，为抽象式摘要模型提供关键内容的提示，从而提升了模型性能。然而，以抽取式摘要作为指导可能存在过度严格的问题，容易导致信息丢失或引入噪声信号。此外，该方法难以适应具有不同抽象程度的文档。由于关键信息片段的数量及其分布随文档而异，难以设定一个固定的阈值来决定哪些内容应纳入指导信息中。本文提出一种新型摘要方法——SEASON（SaliencE Allocation as Guidance for Abstractive SummarizatiON），该方法采用灵活且可靠的显著性分配作为指导机制，能够有效适应不同抽象程度的文章。在两个基准数据集上的自动评估与人工评估结果表明，所提出的方法具有良好的有效性和可靠性。基于超过一百万篇新闻文章的实证分析进一步揭示，新闻文章句子中存在一种自然的“十五比五十”显著性分布规律，为新闻内容的组织与撰写提供了有价值的启示。