文書要約

文書要約の2つのアプローチ

文書要約の手法は、大きく抽出型(extractive)と抽象型(abstractive)の2つのアプローチに分けられます。両者の違いは、要約に使う語句を原文の中から取るか、原文に無い語句も新たに生成できるかにあります。

抽出型は、原文からそのまま取り出した一節だけで要約を組み立てる方式です。取り出す単位は、通常は文全体です。原文の文を選び出して並べ替えることで要約を作るため、要約に含まれる表現はすべて原文に現れたものになります。

抽象型は、人間の書き手が要約を書くときのように、原文に現れない新しい語や句を生成してよい方式です。原文の一節を選んで並べ替えるだけにとどまらない点が、抽出型との大きな違いです。

抽象型でのみ可能になる表現

根拠資料では、言い換え、一般化、実世界の知識の反映によって要約を組み立てることは、抽象型の枠組みでのみ可能だと述べられています。抽出型は原文の一節しか使えないため、原文の表現を別の言葉に置き換えたり、複数の具体的な記述をまとめてより一般的な言い方にしたり、原文の外にある知識を取り込んだりすることはできません。こうした表現の自由度が、抽象型の特徴です。

過去の研究が抽出型中心だった理由

抽象型の要約は、表現の自由度が高い分だけ実現が難しいとされています。根拠資料は、抽象型要約の難しさのために、過去の研究の大部分は抽出型だったと述べています。つまり、原文の一節を選び出す抽出型が、長く文書要約の研究の中心にありました。

ニューラルsequence-to-sequenceモデルがもたらした変化

この状況に対して、ニューラルsequence-to-sequenceモデルは、抽象型の文書要約に対する実行可能な新しいアプローチを提供しました。根拠資料では、ここでいう抽象型を、原文の一節を単に選び出して並べ替えることに制限されない要約と説明しています。ニューラルsequence-to-sequenceモデルによって、原文に無い語句を含む要約を生成する道が開かれたことになります。

ニューラルsequence-to-sequenceモデルによる要約の弱点

一方で、根拠資料はこうしたモデルに2つの欠点があることも指摘しています。1つ目は、事実に関する細部を不正確に再現してしまいやすいことです。原文に書かれた事実関係が、要約の中で正しく写し取られない場合があります。2つ目は、同じ内容を繰り返してしまう傾向があることです。

抽象型は原文に無い語句を生成できる反面、生成した内容が原文の事実とずれたり、同じ表現が重なったりするおそれを抱えています。文書要約を理解するうえでは、抽出型と抽象型の違いに加えて、抽象型を実現するニューラルsequence-to-sequenceモデルがもたらした可能性と、その弱点をあわせて押さえておくことが大切です。