明朝版“今日头条”，这个北航校友的开源AI脑洞很大
贾浩楠 发自 凹非寺
量子位 报道 | 公众号 QbitAI
下面这段明朝万历年间的“今日头条”，你能看懂吗？
这条明朝新闻所讲的，其实是：
小本生意免税条约未能落实，小商贩被严重剥削，以致百姓聚众闹事并火烧衙门，造成多人伤亡。王炀 抢救出公章。
还有另外一条：
这条新闻说的是：
陕西天鼓鸣。
这些明朝的“一句话”新闻，都是一个名叫HistSumm的AI算法，根据文言文提炼出来的摘要。
生成文本摘要的NLP见得多了，古汉语摘要总结还是第一次。这项研究来自就读于英国谢菲尔德大学的北航校友，以及北航计算机系的团队，和英国开放大学。
这项研究最神奇的是，用来处理文言文的算法，是用现代汉语数据训练的。
这个AI，会写明朝新闻
这篇论文题目是Summarising Historical Text in Modern Languages，文中提出的核心算法名为HistSumm。
研究团队分别以古德语和古汉语作为目标语言，来实现算法的摘要提取。
其中，古汉语部分的测试结果，选用了明朝历史文献。
《万历邸抄》，是明万历年间的“今日头条”，抄录自当时的官方“邸报”。内容包括皇帝诏谕、民生百态、军事外交等等。
团队使用HistSumm，对《万历邸抄》中的100多段文言文进行了摘要提炼。
比如这一段：
其中，story是原文，Expert是人类专家给出的摘要。
HistSumm在“相同词汇对”（Identical Mapping）的映射方法下，给出的结果是：
宋应昌撤兵自朝鲜回京。
IdMap+CONV（CONV指简繁汉字转换增强语料库训练）给出的结果也是：
宋应昌撤兵自朝鲜回京。
怎么样，摘要是不是能直接上标题了？
再看另一个例子：
HistSumm给出的摘要为：
高拱不忠，已死了，他妻还来乞恩，不准他。
高拱不忠，不准他妻来乞恩。
以上两个结果也分别是IdMap、IdMap+CONV给出的结果。
可以看出，算法对于一段文言文主要的人物 、事件、关系都能准确把握，只是偶然会遗漏一些细节。
在与最出色的跨语言学习模型XLM的结果对比中，HistSumm的表现都有所超越：
△结果分别在ROUGE1、ROUGE2、ROUGEL基准下得到
实验方法与思路
对古汉语进行摘要历练的HistSumm，它的训练数据，其实大部分都是现代汉语。
这是因为，可供模型训练的古汉语数据集，实在太少了。
于是，研究团队构建了一个跨语言迁移学习框架。
第一步，训练模型的现代和古汉语单词嵌入
对于像中文这样的表意语言，基于笔画（类似于字母语言的单词信息）训练的词嵌入是实现最佳性能的途径。因此团队利用笔画信息来提取汉字的特征向量。
此外，还有一点很重要。与简化字（在训练资源中占主导）相比，繁体字通常有更丰富的笔画，例如，“葉”字，包含’艹’（植物）和’木’（木）的语义相关成分，而它的简化版本（’叶’）则没有。
繁体字的这些特性，有利于基于笔画的嵌入方式。所以为了提高模型的性能，团队还对繁体化的汉字进行了额外的实验。
建立特征向量空间
接下来，团队为模型建立了两个语义空间，空间中的特征向量既来自现代汉语，也有古汉语。
对于特征向量，主要采取两种引导策略：完全无监督（UspMap）的方式和相同词汇对（IdMap）方式。
前者只依赖于输入向量之间的拓扑相似性，而后者则额外利用古今同意的词作为依据。
使用现代汉语数据集训练
训练阶段，团队使用了现代汉语数据集CSTS，训练了一个只接受现代汉语输入的总结器。
编码器的嵌入权重，在建立特征空间时，用相应的跨语言词向量的现代语分区进行初始化。
而解码器的嵌入权重则是随机初始化的，可以通过反向传播更新。
最后，就是模型的收敛。
团队直接将编码器的嵌入权重替换为向量空间中的古汉语特征向量，得到一个新的模型。这个模型可以用古汉语输入，但输出现代汉语句子，并且整个过程不需要任何外部并行监督。
简单的总结一下，团队让模型能理解古文的关键，是在特征向量空间中，建立互相联系的古汉语-现代汉语词汇对。然后再用现代汉语数据训练模型，之后替换掉对应的特征向量。
北航校友科研成果
本研究的第一作者Xutan Peng，目前是英国谢菲尔德大学在读博士生，研究方向是自然语言处。
Xutan Peng本科就读于北京航空航天大学计算机系。
而本文的共同作者中，也有来自北航计算机系的Yi Zheng。
论文的另一作者，谢菲尔德大学的Lin Chenghua老师，本科也毕业于北航计算机系。
本文通讯作者Advaith Siddharthan博士，是英国开放大学Knowledge Media Institute的研究院。
论文地址：
https://arxiv.org/abs/2101.10759
开源代码：
https://github.com/Pzoom522/HistSumm
— 完 —