Unsupervised Neural Single-Document Summarization of Reviews via Learning Latent Discourse Structure and its Ranking. Masaru Isonuma, Junichiro Mori, Ichiro Sakata. ACL 2019. [PDF]
动机
本文认为，评论（review）可以当作一个棵篇章树，树的根节点是其摘要，表示该评论的整体意思; 树的其他节点是对其父节点的细化。 也就是说这棵篇章树由摘要（根节点）与评论中所有句子（非根节点，每个非根节点代表一个句子）组成。于是本文通过学习构造这个隐式篇章树来建模得到评论摘要，并提出一种排序（rank）算法选择对生成摘要更加重要的句子。
方法
模型整体方法
（1）双向GRU+maxpooling 建模得到每个句子表示
（2）建模 父节点-子节点 对应关系权重（权重代表了树的关系）
（3）加权求和所有子节点表示，生成父节点（本文假设：子节点能够还原父节点，因为子节点包含了比父节点更多的信息。）
目标函数就是所有父节点生成概率最大。
父节点-子节点 对应关系权重建模方法
初始建模：边界概率（Marginal Probability of Dependency）
归一化（公式推导不是很懂）
调整：篇章排序（DiscourseRank）
受PageRank算法启发，更重要的句子有更多后代，迭代更新权重矩阵。
