【ACL2019论文解读】Self-Supervised Learning for Contextualized Extractive Summarization
论文：https://arxiv.org/pdf/1906.04466.pdf
源码：https://github.com/hongwang600/Summarization
摘要：
现存摘要抽取模型大都用交叉熵损失（刻画两个概率分布的距离）从零训起，难以捕获文档级别的全局上下文特征。本文引入三个预训练任务，用自监督（self-supervised）方法捕获文档全局特征。使用CNN/DailyMail数据集证明预训练的模型即使接上简单模块也比以前SOTA表现好。
1.Introduction
抽最重要的句子，得对文档有全局观（如主题和文章结构），但之前end-to-end模型的都没有明确的文档级别编码，指望着模型自己学出来，他认为不大可能，毕竟从头开始训练。近几年也是仅限于词编码和句编码，于是提出了一种新的预训练方法，这种方法使用自监督（self-supervised）对文档编码。
自监督（2007-2015）目的是学习原始数据的内在结构。其使用结构化的原始数据构造训练信号来训练模型。文章本来就是精心布局谋篇的结构化数据，所以自监督能派上用场。
本文提出了Mask、Replace、Switch三个需要学习文档级别结构和上下文的自监督任务，然后把预训练得到的模型迁移到摘要任务。Mask任务随机mask一些句子，然后从候选句子集中预测被mask的句子。Replace任务随机从其他文档里替换过几个句子来，然后预测某句是否被替换了。Switch任务用同一文档的句子进行交换，然后预测某句是否被交换过。下图是Mask任务的一个例子。
从CNN/DM数据集实验后发现这三个预训练任务都很好，其中一个超过了sota模型NeuSum（ACL2018）。本文贡献有三：
一是，首次用全局文档信息进行非人工标注式自监督句子表征。
二是，提出是三个方法，其中一个超过了sota。
三是，使用预训练的模型，收敛快，效率高。
2. Model and Pre-training Methods
2.1 Basic Model
模型如上，分为“句子编码器模块”和“文档自注意力模块”。句子encoder是双向LSTM。Xi是词向量，Si是普通句向量，Di是考虑文档信息的句向量，最后通过一个线性层预测是否选为摘要。
2.2 自监督的预训练模型（三个方法）
Mask
和预测被mask的词类似，首先以
的概率mask一些句子
，放入候选集合
中。模型对每个被mask的位置i，从候选集合里挑正确句子。本文把mask的句子用
。用同样的句子encoder获取候选集合中句子的embedding
。
是候选句子 j ，用cos给句子 j 打分。
训练时，使用ranking loss（排序误差）做为损失函数最大化标准句和其他句之间的差异。i是第i个位置，j是黄金句，k是其他候选句。γ是超参数。
Replace
首先以概率
随机替换掉一些句子（来源为其他文档），然后预测这句是不是被替换了。具体来说，本文从1万篇随机选取的文档里抽句子形成候选集
，
表示被替换的句子们的位置集合。本文使用一个线性层
来根据文档编码D来预测句子是否被替换，最小化MSE损失函数。
其中， 
，被替换的话y是1，否则y是0。
Switch
和Replace任务类似，但不是从其他文档选句子，而是内部交换。
表示被交换的句子们的位置集合。本文使用一个线性层
来根据文档编码D来预测句子是否被交换，最小化MSE损失函数。
其中，
3.Experiment
本文和两个baseline对比，一个是著名的Lead3（选前3句），一个是sota模型NeuSum（指针网络）。
3.1 CNN/DM数据集
模型和训练细节
本文使用是摘要标1，不是标2的方法标注。根据rouge代码和论文，本文评测了Rouge-1，Rouge-2，Rouge-L。本文使用100维的Glove初始化词向量权重。LSTM用作句子encoder，隐藏层size为200。文档编码模块使用了5层4头的Transformer encoder。最后是个线性分类层。
训练分两个阶段。首先，用无标签的原始数据预训练（三种方法）；然后，用有标签的数据对摘要任务进行fine-tune。预训练阶段学习率为0.0001，fine-tune阶段学习率为0.00001。收敛或epoch达到上限30时训练停止。mask、replace、switch了1/4的句子。
结果
switch方法超过了sota的NeuSum。收敛速度方面，Mask、Replace、Switch分别用了21，24，17个epoch，并且在fine-tune阶段分别在第18，13，9个epoch到达最佳效果。而basic model训了24个epoch才达到最佳状态。
3.2 消融分析
关于模型结构
仅用句子encoder，而文档编码模块随机初始化，结果如上表最下面SentEnc。对于Switch，取0.25时效果最好。只使用句子encoder对模型也有帮助，说明了预训练的模型也能学习句子表示。
关于超参数
实验了Switch了百分之多少的句子，发现对模型影响不是很大，在0.15到0.25时最佳。
4.Conclusion
本文提出了三个自监督任务让模型学习文档级别的上下文信息，并应用于摘要抽取任务。其中Switch的预训练方法训出来的模型超过了sota。文档级别的编码有助于摘要任务，此外超参数对结果影响不是很大。