“摘要”「字少信息量大」，Salesforce、MIT 研究者手把手教 GPT-4「改稿」，数据集已开源

2023-09-17 13:05:03来源：机器之心Pro

今天，很高兴为大家分享来自机器之心Pro的「字少信息量大」，Salesforce、MIT 研究者手把手教 GPT-4「改稿」，数据集已开源，如果您对「字少信息量大」，Salesforce、MIT 研究者手把手教 GPT-4「改稿」，数据集已开源感兴趣，请往下看。

通过人类评估实验，研究者发现，当 GPT-4 将「稿子」改到第三版的时候，「信息密度」和「语言精炼度」两个因素达到了一种最佳平衡状态。

近年来，自动摘要技术取得了长足的进步，这主要归功于范式的转变 —— 从在标注数据集上进行有监督微调转变为使用大语言模型（LLM）进行零样本 prompt，例如 GPT-4。不需要额外的训练，细致的 prompt 就能实现对摘要长度、主题、风格等方面特征的精细控制。

但一个方面常常被忽视：摘要的信息密度。从理论上讲，作为对另一个文本的压缩，摘要应该比源文件更密集，也就是包含更多的信息。考虑到 LLM 解码的高延迟，用更少的字数涵盖更多的信息非常重要，尤其是对于实时应用而言。

然而，信息量密度是一个开放式的问题：如果摘要包含的细节不足，那么相当于没有信息量；如果包含的信息过多，又不增加总长度，就会变得难以理解。要在固定的 token 预算内传递更多信息，就需要将抽象、压缩、融合三者结合起来。

在最近的一项研究中，来自 Salesforce、MIT 等机构的研究者试图通过征求人类对 GPT-4 生成的一组密度越来越高的摘要的偏好来确定这一限制。对于提升 GPT-4 等大语言模型的「表达能力」，这一方法提供了很多启发。

论文链接：https://arxiv.org/pdf/2309.04269.pdf

数据集地址：https://huggingface.co/datasets/griffin/chain_of_density

具体来说，他们将每个 token 的平均实体数量作为密度的代表，生成了一个初始的、实体稀少的摘要，然后在不增加总长度（总长度为 5 倍）的情况下，反复识别并融合前一个摘要中缺失的 1-3 个实体，每个摘要的实体与 token 比例都高于前一个摘要。根据人类的偏好数据，作者最终确定，人类更喜欢几乎与人类编写的摘要一样密集的摘要，而且比普通 GPT-4 prompt 生成的摘要更密集。

总体来说，该研究的贡献包括：

开发一种基于 prompt 的迭代方法 (CoD)，使得摘要的实体密度越来越高；

对 CNN/《每日邮报》文章中越来越密集的摘要进行人工和自动评估，以更好地了解信息量（倾向于更多实体）和清晰度（倾向于更少的实体）之间的权衡；

开源了 GPT-4 摘要、注释和一组 5000 篇未注释的 CoD 摘要，用于评估或提炼。

什么是 CoD

作者制定了一个单一的密度链（CoD）Prompt，即生成一个初始摘要，并使其实体密度不断增加。具体来说，在一个固定的交互次数中，源文本中一组独特的突出实体被识别出来，并在不增加长度的情况下融合到之前的摘要中。

图 2 显示了 Prompt 和输出示例。作者没有规定实体的类型，而是将缺失实体定义为：

相关：与主要故事相关；

具体：描述性的但简洁（5 个字或更少）；

新颖：未出现在之前的摘要中；

忠实：存在于文章中；

任何地方：位于文章的任何地方。

作者从 CNN/DailyMail 摘要测试集中随机抽取了 100 篇文章，为其生成 CoD 摘要。为便于参考，他们将 CoD 摘要统计数据与人类撰写的要点式参考摘要以及 GPT-4 在普通 Prompt 下生成的摘要进行比较：「写一篇非常简短的文章摘要。请勿超过 70 个字。」

统计情况

在研究中，作者从直接统计数据和间接统计数据两方面进行了总结。直接统计数据（token、实体、实体密度）由 CoD 直接控制，而间接统计数据则是密集化的预期副产品。

直接统计数据。如表 1 所示，由于从最初冗长的摘要中删除了不必要的词语，第二步平均减少了 5 个 token（从 72 到 67）的长度。实体密度从 0.089 开始，最初低于人类和 Vanilla GPT-4（0.151 和 0.122），经过 5 步密集化后，最终上升到 0.167。

间接统计。抽象度应该会随着每一步 CoD 的进行而增加，因为每增加一个实体，摘要就会被反复改写以腾出空间。作者用提取密度来衡量抽象性：提取片段的平均平方长度 (Grusky et al., 2018)。同样，随着实体被添加到固定长度的摘要中，概念融合度也应随之单调增加。作者用与每个摘要句子对齐的源句子的平均数量来表示融合度。在对齐上，作者使用相对 ROUGE 增益法 (Zhou et al., 2018),，该方法将源句与目标句对齐，直到额外句子的相对 ROUGE 增益不再为正。他们还预计内容分布（Content Distribution），也就是摘要内容所来源的文章中位置，会发生变化。

具体来说，作者预计 CoD 摘要最初会表现出强烈的「引导偏向」（Lead Bias），但随后会逐渐开始从文章的中间和末尾引入实体。为了测量这一点，他们使用了融合中的对齐结果，并测量了所有对齐源句的平均句子等级。

图 3 证实了这些假设：抽象性随着重写步骤的增加而增加（左侧提取密度较低），融合率上升（中图），摘要开始纳入文章中间和末尾的内容（右图）。有趣的是，与人类撰写的摘要和基线摘要相比，所有 CoD 摘要都更具抽象性。

结果

为了更好地理解 CoD 摘要的 tradeoff，作者开展了一项基于偏好的人类研究，并使用 GPT-4 进行了基于评级的评估。

人类偏好。具体来说，对于同样的 100 篇文章（5 个 step *100 = 总共 500 篇摘要），作者向论文的前四位作者随机展示了经过「重新创作」的 CoD 摘要以及文章。根据 Stiennon et al. (2020) 对「好摘要」的定义，每位注释者都给出了自己最喜欢的摘要。表 2 报告了各注释者在 CoD 阶段的第一名得票情况，以及各注释者的汇总情况。总的来说，61% 的第一名摘要（23.0+22.5+15.5）涉及≥3 个致密化步骤。首选 CoD 步数的中位数位于中间（3），预期步数为 3.06。