摘要

文本简化与文本摘要虽密切相关，但在自然语言生成（Natural Language Generation）领域属于不同的子任务。摘要任务旨在在保留原文语义的前提下缩短文档长度，而简化任务则侧重于降低文档的复杂程度。在本研究中，我们提出了一种新颖的混合架构——抽象式与抽取式摘要相结合的HTSS模型，将摘要与简化任务统一处理。在此基础上，我们对经典的指针生成器（pointer generator）模型进行了扩展，以支持摘要与简化联合任务。我们从科学新闻网站EurekaAlert（www.eurekalert.org）上由领域专家撰写的简化摘要中构建了平行语料库。实验结果表明，所提出的HTSS模型在SARI评分上优于神经文本简化（Neural Text Simplification, NTS）模型，在ROUGE评分上则优于抽象式文本摘要（Abstractive Text Summarization, ATS）模型。为进一步评估联合任务性能，我们引入了一种新指标CSS1，该指标综合了SARI与ROUGE分数。实验显示，HTSS模型在简化与摘要联合任务上的表现分别优于NTS和ATS模型达38.94%和53.40%。为促进后续研究，我们已将全部代码、训练模型及语料库公开发布至以下地址：https://github.com/slab-itu/HTSS/。