Pegasus模型

文档参见：此处

原始TF 1代码：此处

作者：张靖清、赵耀、Mohammad Saleh与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README文件。

混合与随机检查点

我们通过在C4和HugeNews数据集上采用采样间隔句子比例训练Pegasus模型，并随机采样重要句子。更新后的结果如下表所示。

"混合与随机"模型包含以下改进：

• 同时在C4和HugeNews上训练（数据集混合比例按其样本数量加权）
• 训练150万步而非50万步（观察到预训练困惑度收敛速度变慢）
• 模型均匀采样15%至45%的间隔句子比例
• 重要性句子采样时对重要性分数添加20%均匀噪声
• 更新sentencepiece分词器以支持换行符编码

（*）wikihow和big_patent数据集数值不可直接比较，原因包括分词和数据变动：

• wikihow数据包含用于段落分割的换行符，而C4和HugeNews模型的sentencepiece分词器未编码换行符导致信息丢失
• 更新BigPatent数据集保留大小写，部分格式清理规则变更，详见TFDS变更记录

"混合与随机"模型相较论文中pegasus-large版本的改进包括：

• 双数据集混合训练（C4+HugeNews按样本量加权）
• 延长训练至150万步
• 采用15%-45%均匀采样的间隔句子比例
• 重要性分数添加20%均匀噪声
• 升级sentencepiece分词器支持换行符编码

引用文献

@misc{zhang2019pegasus,
    title={PEGASUS: 基于抽取间隔句子的抽象摘要预训练},
    author={张靖清 and 赵耀 and Mohammad Saleh and Peter J. Liu},
    year={2019},
    eprint={1912.08777},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}