ChatGPT发布后，文本生成技术得到飞速发展，大量NLP任务都面临被完全攻克的窘境，尤其是对于缺乏标准答案的「文本摘要」任务来说更是如此。

但如何在摘要中包含「合理的信息量」仍然十分困难：一个好的摘要应该是详细的，以实体为中心的，而非实体密集且难以理解。

为了更好地理解信息量和可理解性之间的权衡，麻省理工学院、哥伦比亚大学等机构的研究人员提出了一个全新的「密度链」（Chain of Dense）提示，可以在不增加摘要文本长度的前提下，对GPT-4生成的实体稀疏（entity-sparse）摘要进行迭代优化，逐步添加缺失的重要实体。

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

开源数据：https://huggingface.co/datasets/griffin/chain_of_density

从实验结果来看，用CoD生成的摘要比由普通提示生成的GPT-4摘要更抽象（abstractive），表现出更多的融合性（fusion）以及更少的lead bias

在对100篇CNN DailyMail文章进行人类偏好研究后可以发现，人类也更倾向于选择实体更密集的摘要结果，与人工编写摘要的实体密度相近。

研究人员开源了500篇带标注的CoD摘要，以及5000篇无标注的摘要数据。

迭代改进文本摘要

提示（Prompt）

任务目标是使用GPT-4生成一组具有「不同信息密度水平」的摘要，同时还要控制文本的长度。

研究人员提出密度链（CoD，Chain of Density）提示来生成一个初始摘要，并逐渐使实体密度越来越大。

具体来说，在固定的迭代轮数下，识别出源文本中一组独特的、显著的实体，并融合到先前的摘要中而不增加文本长度。

首次生成的摘要是实体稀疏的，只关注1-3个初始实体；为了保持相同的文本长度，同时增加涵盖的实体数量，需要明确鼓励抽象（abstraction）、融合（fusion）和压缩（compression），而不是从之前的摘要中删除有意义的内容。

研究人员没有规定实体的类型，而是简单地将缺失实体（Missing Entity）定义为：

相关（Relevant）：与主体故事相关；

具体（Specific）：描述性但简明扼要（5个字或以下）；

新颖（Novel）：没有出现在之前的摘要中；

忠实（Faithful）：存在于原文中；

任何地方（Anywhere）：可以出现在文章中的任意位置。

在数据选择上，研究人员从CNN/DailyMail摘要测试集中随机抽取100篇文章来生成CoD摘要。

然后将CoD摘要统计数据与人工编写的条目（bullet-point）风格的参考摘要以及GPT-4在常规提示下生成的摘要进行对比，其中提示词为「写一篇非常简短的文章摘要，不超过70个词」（Write a VERY short summary of the Article. Do not exceed 70 words）。

预期token长度设置为与CoD摘要的token长度相匹配。

直接统计指标

使用NLTK计算token数量，使用Spacy2测量独特的实体数量，并计算实体密度比率。

CoD提示很大程度上限制了生成摘要的预期token数量，可以看到，从第二步开始从冗长的初始摘要中逐渐删除不必要的单词，使得文本长度平均减少5个token（72到67）。

实体密度也随之上升，最开始是0.089，低于人类和GPT-4的结果（分别为0.151和0.122），而在5步操作后密度上升到0.167。

间接统计指标

使用抽取密度（extractive density，即抽取片段的平均长度的平方）来衡量文本的抽象性（abstractiveness），预期文本应该随CoD的迭代进展而增加。

使用「摘要句子与源文本对齐数量」作为概念融合（fusion）指标，其中对齐算法使用「相对ROUGE增益」，将源句子与目标句子对齐，直到额外添加的句子不会继续提升相对ROUGE增益为止，预期融合应该逐渐增加。

使用「摘要内容在源文本中的位置」作为内容分布（Content Distribution）指标，具体测量方法为所有对齐源句子的平均排序，预期CoD摘要最初表现出明显的Lead Bias，后续逐渐开始从文章的中间和结尾部分引入实体。

统计结果也验证了预期结果的正确性：抽象性随着重写过程而逐渐增加、融合率上升、摘要开始纳入文章中间和结尾的内容。

并且，所有CoD摘要都比手工编写和基线模型生成的摘要更加抽象。

实验结果

为了更好地理解CoD摘要的权衡，我们用GPT-4进行了一项基于偏好的人体研究和一项基于评级的评估。

人类偏好评估

研究人员主要以评估致密化（densification）对人类整体质量评估的影响。

具体来说，输入100篇文章，可以得到「5个步骤*100=总计500个摘要」，向四位标注人员随机展示摘要结果，并根据原文忠实度（Essence）、清晰性（Clarity）、准确性（Accuracy）、目的性（Purpose）、简洁性（Concise）和风格（Style）对摘要进行评估。

从票选结果来看，第二个CoD步骤获得了最高评价，再结合之前平均密度的实验结果，可以大体推断出人类更倾向于选择实体密度约为15%的文本摘要，显著高于GPT-4生成的摘要（实体密度0.122）。

自动评估指标

最近一些工作已经证明了GPT-4的评估与人类评估结果之间的相关性非常高，甚至有可能在部分标注任务上比众包工作者的表现还要好。

作为人工评估的补充，研究人员提出使用GPT-4从5个方面对CoD摘要（1-5）进行评级：信息量（Informative）、质量（Quality）、连贯性（Coherence）、归因（Attributable）和整体性（Overall）。

使用的指令模版为：

Article: {{Article}}

Summary: {{Summary}}

Please rate the summary (1=worst to 5=best) with respect to {{Dimension}}.

{{Definition}}

其中各个指标的定义为：

信息量：信息量丰富的摘要可以抓住文章中的重要信息，并准确简洁地呈现出来。（An informative summary captures the important information in the article and presents it accurately and concisely.）

质量：高质量的摘要是可理解的。（A high quality summary is comprehensible and understandable.）

连贯性：连贯一致的摘要结构严谨，组织有序。（A coherent summary is well-structured and well-organized.）

归因：摘要中的所有信息是否完全归因文章？（Is all the information in the

summary fully attributable to the Article?）

总体偏好：一个好的摘要应该以简洁、逻辑和连贯的方式传达文章的主要观点。（A good summary should convey the main ideas in the Article in a concise, logical, and coherent fashion.）

实验结果表明，致密化与信息量相关，但得分在第4步时达到峰值（4.74）；质量和连贯性的下降更快；所有摘要均被视为归因自源文章；总体得分倾向于更密集和更翔实的总结，第4步得分最高。平均而言，第一个和最后一个CoD步骤最不受青睐，而中间三个步骤很接近（分别为4.78、4.77和4.76）。

定性分析

摘要的连贯性/可读性和信息量之间在迭代的过程中需要权衡。

上面例子中展示了两个CoD步骤，分别包含更细节的内容和更粗略的内容。

平均而言，中间步骤的CoD摘要可以更好地实现平衡，但如何精确定义和量化这种平衡目前还没有工作。