Pegasus Multi News

🚀 Pegasusモデル

Pegasusは、要約タスクに特化したモデルです。このモデルは、C4やHugeNewsなどのデータセットを用いて訓練され、高精度な要約結果を提供します。

🚀 クイックスタート

• ドキュメント: こちら
• 元のTF 1コード: こちら

✨ 主な機能

• 著者: Jingqing Zhang, Yao Zhao, Mohammad Saleh and Peter J. Liu (2019年12月18日)
• メンテナ: @sshleifer
• タスク: 要約

📚 ドキュメント

Mixed & Stochastic Checkpoints

C4とHugeNewsの両方のデータセットで、ギャップ文比率をサンプリングしてPegasusモデルを訓練し、重要な文を確率的にサンプリングします。更新された結果は次の表に示されています。

「Mixed & Stochastic」モデルには次の変更があります。

• C4とHugeNewsの両方で訓練（データセットの混合は例の数で重み付けされます）。
• 500kではなく150万ステップ訓練（事前学習のパープレキシティの収束が遅いことが観察されます）。
• モデルは15％から45％の間でギャップ文比率を均一にサンプリングします。
• 重要な文は、重要度スコアに20％の均一ノイズを使用してサンプリングされます。
• sentencepieceトークナイザーが改行文字をエンコードできるように更新されました。

(*) wikihowとbig_patentデータセットの数値は、トークン化とデータの変更のために比較できません。

• wikihowデータセットには改行文字が含まれており、段落分割に役立ちます。C4とHugeNewsモデルのsentencepieceトークナイザーは改行をエンコードせず、この情報を失います。
• BigPatentデータセットを更新して大文字小文字を保持し、一部のフォーマットのクリーニングも変更されました。詳細はTFDSの変更を参照してください。

「Mixed & Stochastic」モデルには（論文のpegasus-largeから）次の変更があります。

• C4とHugeNewsの両方で訓練（データセットの混合は例の数で重み付けされます）。
• 500kではなく150万ステップ訓練（事前学習のパープレキシティの収束が遅いことが観察されます）。
• モデルは15％から45％の間でギャップ文比率を均一にサンプリングします。
• 重要な文は、重要度スコアに20％の均一ノイズを使用してサンプリングされます。
• sentencepieceトークナイザーが改行文字をエンコードできるように更新されました。

📄 ライセンス

@misc{zhang2019pegasus,
    title={PEGASUS: Pre-training with Extracted Gap-sentences for Abstractive Summarization},
    author={Jingqing Zhang and Yao Zhao and Mohammad Saleh and Peter J. Liu},
    year={2019},
    eprint={1912.08777},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}