타임라인 기반의 하나의 사건에 대한 뉴스 스트림 요약 = News Stream Summarization for an Event based on Timeline

다국어 초록 (Multilingual Abstract)

This paper explores the summarization task in news stream, as it is continuously produced and has sequential characteristic. Timeline based summarization is widely adopted in news stream summarization because timeline can represent events sequentially. However, previous work relies on the time of collection of news article, thus they cannot consider for dates other than out of the collected period. In addition, previous work lacked consideration of conciseness, informativeness, and coherence.
To address these problems, we propose a news stream summarization model with an expanded timeline.
The model takes into consideration the expanded timeline by using time points that are referenced in given news articles and selects sentences that are concise, informative and consistent with neighboring time points. First, we constitute expanded timeline by selecting dates which are from all identified time points in the news articles. Then, we extract sentences as summary with consideration of informativeness based on keyword for each time points, and on coherence between two consecutive time points, and on continuity of named entities except for long sentence in the articles. Experimental results show that the proposed model generated higher quality summaries compared to previous work.

국문 초록 (Abstract)

요약 연구에서 뉴스 기사와 같이 끊임없이 생성되어 연속성을 가지는 텍스트 스트림을 대상으로 하는 연구가 수행되고 있다. 텍스트 스트림은 시간 흐름에 따라 서사를 가지므로, 시간의 흐름을 표현할 수 있는 타임라인을 기반으로 한 요약이 수행된다. 타임라인을 사용하여 다중 문서 요약을 수행하는 이전 연구들은 기사가 수집된 날짜에 국한하여 요약을 수행하여, 수집 기간 외의 중요한 사건을 알 수 없었다. 또한 타임라인의 각 시점의 요약으로 사용될 문장을 추출할 때 문장의 간결성, 해당 시점의 정보성, 전후 시점 간의 일관성에 대한 고려가 부족했다. 따라서 본 논문은 타임라인의 시점 범위를 기사 내 언급된 시점을 대상으로 하여 타임라인의 범위를 넓혔으며, 간결하며 시점의 사건을 잘 표현하며 일관성이 높은 문장을 선택하여 요약을 생성하는 방법을 제안한다. 다중 뉴스 기사가 주어졌을 때, 본문 내 식별된 시간 표현들 중 중요도가 높은 시점을 타임라인의 시점으로 사용한다. 생성된 타임라인의 각 시점 요약으로 사용될 문장은 지나치게 긴 문장은 제외하였으며, 시점 키워드를 기반으로 한 정보성 및 앞뒤 문장 간의 개체명 유지 정도로 일관성을 고려하여 추출된다. 실험 결과, 기존에 시간을 고려하여 요약을 생성하는 모델보다 ROUGE-L에서 평균적으로 0.2848 높은 점수를 얻어 더 적절한 요약을 생성함을 확인하였다.

참고문헌 (Reference)

1 S. Narayan, "Ranking Sentences for Extractive Summarization with Reinforcement Learning" 1747-1759, 2018

2 T. Ge, "News Stream Summarization using Burst Information Network" 784-794, 2016

3 I. Jung, "Multidocument Extractive Summarization via Timeline Generation" 702-704, 2018

4 D. Metzler, "Machine learned sentence selection strategies for query-biased summarization" 40-47, 2008

5 S. Hochreiter, "Long short-term memory" 9 (9): 1735-1780, 1997

6 Y. Jeong, "Korean TimeML and Korean TimeBank" 356-359, 2016

7 S. Im, "KTimeML: Specification of Temporal and Event Expressions in Korean Text" 115-122, 2009

8 X. Wang, "Exploring Text Links for Coherent Multi-Document Summarization" 213-223, 2016

9 J. P. Ng, "Exploiting category-specific information for multi-document summarization" 2093-2108, 2012

10 J. Ng, "Exploiting Timelines to Enhance Multi-document Summarization" 923-933, 2014

11 C. Wang, "Event phase oriented news summarization" 21 (21): 1069-1092, 2018

12 Y. Xu, "Classifying Relations via Long Short Term Memory Networks along Shortest Dependency Paths" 1785-1794, 2015