《表2 Gizaword与DUC2004英文测试上的实验结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《区分冗余序列的抽象文本摘要》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表2给出了近些年神经网络模型在Gizaword和DUC2004上所展现的实验效果以及基准系统Transformer模型和使用了本文中所提出的模型结构的实验结果．需要注意一点，对于Gizaword数据所采用的评估指标是基于F值（正确率（P）与召回率（R）的加权调和平均）的ROUGE-1(R-1）、ROUGE-2(R-2）、ROUGE-L(R-L），而DUC数据的则是基于R．表中列举了3个在抽象文本摘要上的最新成果：Gehring等[5]提出的完全基于卷积构成ConvS2S框架的结果；在此结构的基础上，Edunov等[11]和Wang等[9]分别从结构损失（CNN+结构损失）和强化学习（CNN强化）的角度改进模型的结果．表格中“—”表示文章中并未提及此类数据的实验结果．最后两行分别是Transformer基准系统以及本文方法（Transfomer+冗余序列）的实验结果．从表中可以发现，Transformer基准系统在英文测试集上的表现十分显著．在Gigaword数据上，相较于其他系统，Transformer基准系统的R-1，R-2和R-L得分均最高；并且在添加了冗余序列的信息之后，系统性能得到了进一步地提升．相对于Transformer基准系统，本文中的方法在每种评估指标上的得分均增加了0.7个百分点．在DUC2004数据上，该方法也在基准系统上获得了一定的提升．整体上讲，该方法能够获得更加精准、质量更高的摘要文本．