language: zh
tags:

• 文本摘要

Pegasus模型

文档参见：此处

原始TF 1代码库：此处

作者：张靖清、赵耀、Mohammad Saleh 和 Peter J. Liu，2019年12月18日

维护者：@sshleifer

任务：文本摘要

以下内容复制自作者自述文件。

混合与随机化检查点

我们通过在C4和HugeNews数据集上采用随机采样间隔句子比例的方式训练Pegasus模型，并随机选择重要句子。更新后的结果如下表所示。

"混合与随机化"模型包含以下改进：

• 同时基于C4和HugeNews训练（数据集按样本量加权混合）
• 训练步数增至150万（原50万步，观察到预训练困惑度收敛速度减缓）
• 间隔句子比例均匀采样于15%至45%区间
• 重要性句子采样时对分数施加20%均匀噪声
• 升级SentencePiece分词器以支持换行符编码

（*）wikihow和big_patent数据集因分词与数据处理变更导致结果不可直接比较：

• wikihow数据中的换行符原有助于段落分割，但C4和HugeNews模型的分词器未编码换行符导致信息丢失
• BigPatent数据集更新为保留大小写，并调整了格式清洗规则，详见TFDS变更记录

相较于论文中的pegasus-large模型，"混合与随机化"版本主要变更如下：

1. 双数据集联合训练（C4+HugeNews按样本量加权）
2. 延长训练至150万步（预训练困惑度收敛更慢）
3. 间隔句子比例15%-45%均匀采样
4. 重要性分数添加20%均匀噪声
5. 分词器支持换行符编码

引用文献

@misc{zhang2019pegasus,  
    title={PEGASUS: 基于间隙句子提取的抽象摘要预训练方法},  
    author={张靖清 and 赵耀 and Mohammad Saleh and Peter J. Liu},  
    year={2019},  
    eprint={1912.08777},  
    archivePrefix={arXiv},  
    primaryClass={cs.CL}  
}