Re12：读论文 Se3 Semantic Self-segmentation for Abstractive Summarization of Long Legal Documents in Low

诸神缄默不语-个人CSDN博文目录

论文名称：Semantic Self-segmentation for Abstractive Summarization of Long Legal Documents in Low-resource Regimes
AAAI官方预印版论文下载地址：https://www.aaai.org/AAAI22Papers/AAAI-3882.MoroG.pdf
官方软件demo：http://137.204.107.42:37338/

本文是2022年AAAI论文，关注法律文书生成式摘要。
本文关注的难点及对应的解决方案：

1. 法律文书过长，标准Transformer复杂度随输入长度呈平方增长，小GPU放不下，直接truncate输入会导致信息缺失问题→将文本切分为多个较小的语义连续块（semantically coherent chunks），每次只在这些较短的块上做生成式摘要。
2. 标注数据少→将文本切分为多个chunks，一起训练生成模型，作为数据增强操作。

1. 模型Re3

数据切分（先切分原文，然后将摘要与对应的原文chunk匹配，形成原文-摘要对）→摘要生成

数据切分阶段：

1. 切分原文（以句子为单位进行合并）：
   1. 句子表征：使用在度量学习（metric learning）任务上微调过的Legal-Bert预训练模型实现句嵌入。
   2. 规定每个连续块token的最大长度和最小长度，当chunk加入新句子后的token数仍在二者范围内时，如果 新句子表征与当前chunk中每一句表征的余弦相似度的平均值 大于 新句子与下一chunk（这个chunk是look-ahead生成的，是后文直接组成chunk最小长度）中每一句表征的余弦相似度的平均值，则将新句子加入该chunk。
2. 匹配摘要：将摘要中的每一句与其ROUGE-1-P值最高的chunk进行匹配。（Precision最高：该chunk中包含该句的内容最多）。
3. 训练阶段丢弃没有匹配摘要的chunk。

摘要生成阶段：直接用已有的生成模型。论文中比较了BART（quadratic Transformer）和LED（linear Transformer，能输入更长的序列）的base模型的效果。

优化：

1. look-ahead chunk的优势：不需要人工规定新句子能否加入chunk的余弦相似度平均值的阈值。
2. 设置chunk的最小长度是为了充分利用GPU，最大长度是为了chunk能够完整地放进GPU。

2. 实验

2.1 实验设置

1. 微调Legal-Bert预训练模型的度量学习任务：比较了使用triplet loss和contrastive loss的区别。
   在Legal-Bert上训练了1个epoch，batch size为8，学习率为$2\times 10^{-5}$
2. BART和LED模型都使用了base版本，因为large版本太大了放不进GPU。
   训练阶段：5个epoch，batch size为1，linear schedule（$5\times 10^{-5}$）
   推理阶段：beam size和length penalty都是2

2.2 主实验结果

baseline是PEGASUS（论文里没有写具体配置）和直接使用chunk最大token长度来进行truncation的BART、LED模型，此外比较了不同的chunk最大长度和最小长度的实验结果（显然长度越长效果越好。比较了一个GPU内存占比和结果的tradeoff）：

2.3 模型分析

2.3.1 label scarcity问题

仅使用10个或100个标记数据。结果证明了Se3方法在低资源条件下的效果：

2.3.2 Ablation Study

语义连续chunk的效果，baseline是：1. 不考虑语义连续信息，直接用句子组成chunk。2. 使用BERT。3. 使用没有在度量学习任务上微调过的Legal-Bert。

2.3.3 其他指标分析

1. BERTSCORE
2. eventual redundancy：(1) 只出现过一次的n_gram的占比 (2) Normalized Inverse of Diversity (NID) （考虑到不同chunk摘要合并时可能产生冗余）

3. 论文阅读时产生的其他问题

1. 语义连续块只是表征的相似性较高，但并没有真的含有某种语义。而且感觉这种截断方式很简单粗暴。既然最后都要和摘要匹配，为什么不先用摘要匹配然后再切分，感觉这样更有可能保留更合理的语义结构信息。但是确实这样会导致测试阶段难以操作……除非先训练个模型来选，但是这样又感觉无异于先抽取后生成范式了。
2. 在训练阶段直接丢弃没有匹配摘要的原文连续块感觉不合理，测试时候咋办？
3. 虽然原文声称文本信息必须要阅读全文后才能得到，但其实各连续块之间也没有信息交互，事实上还是分块做的。
4. 感觉衡量冗余度的标准有些奇怪，真实摘要的这个值就比较低，所以生成结果的指标即使高也感觉是偏离真实值了，这样能说明它效果好吗？

4. 代码复现

官方没有给出代码，我发邮件问了作者还没有回复。
但是看起来这个代码倒是不难写，等我有需要了复现一下，跟demo展示的结果对比对比。