周伟枭，蓝雯飞

（中南民族大学计算机科学学院，武汉 430074）

0 概述

文本摘要是自然语言处理（Natural Language Processing，NLP）的重要分支［1］，其将源文本压缩成短文本且包含了源文本中的主要信息。抽取式摘要方法［2］通过从源文本中抽取句子组成摘要，具体为对句子重要性打分并按分数排序选取句子［3］。生成式摘要方法［4］通过重新组织源文本的主要内容形成摘要，摘要过程与人工撰写类似。现有生成式摘要模型本质上都是基于编码器-解码器架构的单任务模型，文献［5］指出此类模型虽然能够生成流畅的摘要，但在准确性方面表现较差，甚至可能与源文本的中心思想相悖。

多任务学习（Multi-Task Learning，MTL）共享相关任务之间的表征，能使摘要模型更好地概括文本主要内容。文献［6］提出一对多、多对一、多对多三种多任务学习方法。文献［7］将情感分类定义为特殊类型的摘要任务，将文本以标签方式进行概括。受文献［6］研究工作的启发，本文根据文本分类和文本摘要的相关性，提出一种多任务学习摘要模型。通过一对多的形式关联主要任务和辅助任务，借助文本分类改善摘要模型的生成质量，使用K-means 聚类算法构建文本分类数据集，并利用基于统计分布的判别法全面评价摘要准确性。

1 相关工作

近年来，深度学习技术在文本摘要领域得到广泛应用。文献［8］提出基于注意力机制的端到端模型，并将其应用于文本摘要任务。文献［9］将注意力机制应用于自然语言处理领域。文献［10］提出指针网络，将解码器中固定规模的词汇表扩展至可变规模的词汇表。……