计算机应用

作者：赵红燕, 郭力华, 刘春霞, 王日云

单位：太原科技大学 计算机科学与技术学院，太原 030024

关键词：科学文献摘要,抽取式摘要,图神经网络,超图注意网络,图对比学习

长文档摘要生成面临句间关系的捕捉、长距离依赖及文档信息的高效编码与提取等难题，一直是自然语言处理领域的一个难点任务。同时，科学文献通常包含多个章节和段落，具有复杂的层次结构，使科学文献的摘要生成任务更具挑战性。针对以上问题，提出一种基于多图神经网络（GNN）和图对比学习（GCL）的科学文献摘要模型（MGCSum）。首先，对于输入的文档，通过同构GNN和异构GNN分别建模句内与句间关系，以生成初始句子表示；其次，将这些句子表示馈送到一个多头超图注意网络（HGAT），并在其中利用自注意机制充分捕捉节点和边之间的关系，从而进一步更新和学习句间的表示；再次，引入GCL模块增强全局主题感知，从而提升句子表示的语义一致性和区分度；最后，采用多层感知器（MLP）和归一化层计算一个得分，用于判断句子是否应被选为摘要。在PubMed和ArXiv数据集上的实验结果表明，MGCSum模型的表现优于多数基线模型。具体地，在PubMed数据集上，MGCSum模型的ROUGE-1、ROUGE-2和ROUGE-L分别达到了48.97%、23.15%和44.09%，相比现有的先进模型HAESum （Hierarchical Attention graph for Extractive document Summarization）分别提高了0.20、0.71和0.26个百分点。可见，通过结合多GNN和GCL，MGCSum模型能够更有效地捕捉文献的层次结构信息和句间关系，提升了摘要生成的准确性和语义一致性，展现了它在科学文献摘要生成任务中的优势。

来源：2025年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第12期