Staging Pegasus Gmeetsamsum

🚀 Pegasus模型

Pegasus模型主要用於文本摘要任務，它通過特定的訓練方式和模型架構，在多個數據集上取得了較好的摘要效果。

🚀 快速開始

查看文檔：點擊此處

原始的TensorFlow 1代碼：點擊此處

作者：Jingqing Zhang、Yao Zhao、Mohammad Saleh和Peter J. Liu （2019年12月18日）

維護者：@sshleifer

任務：文本摘要

以下內容摘自作者的README。

📚 詳細文檔

混合與隨機檢查點

我們在C4和HugeNews兩個數據集上，以採樣的間隔句子比例訓練了一個Pegasus模型，並隨機採樣重要句子。更新後的結果如下表所示：

“混合與隨機”模型有以下改動：

• 在C4和HugeNews兩個數據集上進行訓練（數據集混合按示例數量加權）。
• 訓練步數從500k增加到1500k（我們觀察到預訓練困惑度的收斂速度較慢）。
• 模型在15%到45%之間均勻採樣間隔句子比例。
• 重要句子的採樣使用了20%的均勻噪聲來處理重要性得分。
• 更新了SentencePiece分詞器，使其能夠對換行符進行編碼。

(*) 由於分詞和數據的變化，wikihow和big_patent數據集的數值不可比：

• wikihow數據集包含換行符，這對段落分割很有用，但C4和HugeNews模型的SentencePiece分詞器無法對換行符進行編碼，從而丟失了這一信息。
• 我們更新了BigPatent數據集以保留大小寫，同時也更改了一些格式清理操作，請參考TFDS中的更改。

“混合與隨機”模型相對於論文中的pegasus-large模型有以下改動：

• 在C4和HugeNews兩個數據集上進行訓練（數據集混合按示例數量加權）。
• 訓練步數從500k增加到1500k（我們觀察到預訓練困惑度的收斂速度較慢）。
• 模型在15%到45%之間均勻採樣間隔句子比例。
• 重要句子的採樣使用了20%的均勻噪聲來處理重要性得分。
• 更新了SentencePiece分詞器，使其能夠對換行符進行編碼。

引用

@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}
}