Page 171 - 《软件学报》2021年第12期

韩鹏宇 等:案件要素句子关联图卷积的案件舆情摘要方法 3835

∑ ∑ Count match (gram n )

ROUGE -N = s∈ (Referemce Summaries gram ∈ ) n s (13)
∑ ∑ Count (gram n )
s∈ (Reference Summaries gram ∈ ) n s
其中,分子表示模型输出的摘要和参考摘要中同共现的 n-gram 的个数,分母则表示参考摘要中的 n-gram 个数.

5.3 实验设置
实验采用 2 层图卷积网络,特征矩阵每一行使用 one-hot 向量来初始化,第 1 层输出的节点特征向量为 200
维,第 2 层输出的节点分类向量为 10 维.Dropout 设置为 0.5,学习率设置为 0.02,训练轮次设置为 400,提前截至
的容忍度设置为 12,摘要预期长度设置为 200.
本文共设置了 3 组对比实验和 1 个实例分析.
• 第 1 组对比实验对比了本文模型和 10 个基准模型的性能,其中包括未融入案件要素的消融实验:“句子
+词+GCN”;
• 第 2 组对比实验研究了不同句子分类数目对生成摘要质量的影响,设置 2,5,10 和 20 等 4 种不同的分
类数目,使用本文模型分别进行实验;
• 第 3 组实验研究了去冗余步骤中,不同相似度计算方法对摘要的影响,其中,rouge 方法阈值设置为
0.8、jaccard 方法阈值设置为 0.8、tf-idf 方法阈值设置为 0.8 和 word2vec 方法阈值设置为 0.9;
• 实例分析选取了针对“快递员遭投诉自杀”案件的摘要实例进行对比分析.
5.4 基准模型
本文共选择了 10 个基准模型,分别在案件舆情摘要数据集上进行实验,得到 ROUGE-1,ROUGE-2 和
ROUGE-L 这 3 种评分.基准模型包括 LEAD,Centroid,LexPageRank,TextRank,Submodular,ClusterCMRW,Query+
MR,LDA,Manifold-Ranking 和“句子+词+GCN”,其中,部分代码由开源工具包 PKUSUMSUM 提供.
• LEAD 是一种依靠句子在文章中的位置来抽取摘要的方法,研究表明,文章中的重要信息很大概率会
出现在文章开头部分;
• Manifold-Ranking [13] 是一种类似 PageRank 的方法,利用流行排序进行多文档摘要;
• Query+MR 在 Manifold-ranking 模型的基础上增加了一个案件要素集合作为查询句,来对句子节点之
间的权重进行调整,然后得到摘要;
• LDA 方法通过使用 LDA 对文本簇进行主题聚类,然后寻找含有主题信息最多的句子作为摘要;
• Centroid [14] 是一种基于质心的多文档摘要方法,通过寻找中心词最多的句子来得到摘要;
• ClusterCMRW [15] 是一种基于马尔科夫链和随机游走的多文档摘要方法,利用文档集中句子之间的链
接关系来生成摘要;
• Submodular [16] 利用次模函数的单调递减特性来抽取句子作为摘要;
[9]
• LexPageRank [17] 和 TextRank 都是一种基于图的关键词提取算法,将句子视为节点,通过计算图中每个
节点的得分,来选择得分最高的几个句子作为摘要;
• “句子+词+GCN”表示未融入案件要素的图卷积神经网络方法.
5.5 实验结果分析
第 1 组实验为了验证本文模型的有效性,与 10 个基准模型进行了对比实验,其中,和“句子+词+GCN”对比以
验证融入案件要素的有效性.选取 ROUGE-1,ROUGE-2 和 ROUGE-L 这 3 种评分,实验结果见表 4.
根据表 4 的实验结果可以看出:
1) 在采用 ROUGE-1 的评价方法中,本文模型和其他基准模型相比,有 0.43~6.07 的提升,说明了本文模型
的优越性;
2) 对比 TextRank,LexPageRank 和本文模型,虽然同为基于图的方法,但是图卷积比这两种方法具有显著
的效果提升,充分说明了图卷积方法在多文档摘要任务上的优越性;