distill-pegasus-xsum-16-4开源摘要模型 - 免费实现高质量文本摘要生成

Home

Distill Pegasus Xsum 16 4

Developed by sshleifer

PEGASUS是一种基于抽取间隔句子的抽象摘要预训练模型，由Google Research团队开发。

文本生成

Transformers

English#混合数据集预训练 #动态间隔句子采样 #抽象摘要生成

Downloads 137

Release Time : 3/2/2022

Model Overview

PEGASUS是一种专门用于文本摘要生成的预训练模型，通过抽取重要句子进行抽象摘要。

Model Features

混合与随机化训练

同时在C4和HugeNews数据集上训练，采用随机采样间隔句子比例和重要性句子添加噪声的方式。

多数据集适配

支持多种摘要数据集，包括xsum、cnn_dailymail、newsroom等。

分词器优化

更新了SentencePiece分词器以支持编码换行符，提升对段落分割的处理能力。

Model Capabilities

文本摘要生成

多语言支持

抽象摘要

Use Cases

新闻摘要

新闻文章摘要

对新闻文章进行自动摘要生成

在cnn_dailymail数据集上达到44.16/21.56/41.30的ROUGE分数

学术论文摘要

对arXiv和PubMed等学术论文进行摘要生成

在arxiv数据集上达到44.21/16.95/25.67的ROUGE分数

法律文档摘要

对法律文档如BigPatent进行摘要生成

在big_patent数据集上达到52.29/33.08/41.66的ROUGE分数

🚀 Pegasus模型

Pegasus模型主要用于文本摘要任务，它在不同数据集上进行训练和优化，能为文本摘要提供有效的解决方案。

🚀 快速开始

查看文档：点击此处
原始TF 1代码：点击此处

✨ 主要特性

模型信息

作者：Jingqing Zhang、Yao Zhao、Mohammad Saleh和Peter J. Liu（2019年12月18日）
维护者：@sshleifer
任务：文本摘要

混合与随机检查点模型

实验结果

数据集	C4	HugeNews	混合与随机模型
xsum	45.20/22.06/36.99	47.21/24.56/39.25	47.60/24.83/39.64
cnn_dailymail	43.90/21.20/40.76	44.17/21.47/41.11	44.16/21.56/41.30
newsroom	45.07/33.39/41.28	45.15/33.51/41.33	45.98/34.20/42.18
multi_news	46.74/17.95/24.26	47.52/18.72/24.91	47.65/18.75/24.95
gigaword	38.75/19.96/36.14	39.12/19.86/36.24	39.65/20.47/36.76
wikihow	43.07/19.70/34.79	41.35/18.51/33.42	46.39/22.12/38.41 *
reddit_tifu	26.54/8.94/21.64	26.63/9.01/21.60	27.99/9.81/22.94
big_patent	53.63/33.16/42.25	53.41/32.89/42.07	52.29/33.08/41.66 *
arxiv	44.70/17.27/25.80	44.67/17.18/25.73	44.21/16.95/25.67
pubmed	45.49/19.90/27.69	45.09/19.56/27.42	45.97/20.15/28.25
aeslc	37.69/21.85/36.84	37.40/21.22/36.45	37.68/21.25/36.51
billsum	57.20/39.56/45.80	57.31/40.19/45.82	59.67/41.58/47.59

模型变化

在C4和HugeNews两个数据集上进行训练（数据集混合时按示例数量加权）。
训练步数从500k增加到1500k（预训练困惑度收敛较慢）。
模型在15%到45%之间均匀采样间隔句子比例。
重要句子采样时，对重要性得分添加20%的均匀噪声。
更新了SentencePiece分词器，使其能够对换行符进行编码。

特殊说明

(*) wikihow和big_patent数据集的结果由于分词和数据的变化而不可比：

wikihow数据集包含换行符，这对段落分割很有用，但C4和HugeNews模型的SentencePiece分词器无法对换行符进行编码，丢失了这部分信息。
更新了BigPatent数据集以保留大小写，同时也改变了一些格式清理操作，请参考TFDS中的更改。

📄 许可证

引用信息

@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}
}