目录
文本摘要的目标是自动地将输入文本转换成简短摘要,为用户提供简明扼要的内容描述，是缓解文本信息过载的一个重要手段。 文本摘要也是自然语言生成领域中的一个重要任务，有很多应用场景，如新闻摘要、论文摘要、财报摘要、传记摘要、专利摘要、对话摘要、评论摘要、观点摘要、电影摘要、文章标题生成、商品名生成、自动报告生成、搜索结果预览等。
本项目是基于预训练语言模型UNIMO-Text的文本摘要，具有以下优势：
- 效果领先。
- 开箱即用。本项目提供TaskFlow接口，无需训练，仅需几行代码便可预测。
- 高性能推理。本项目基于FasterTransformer进行推理加速，能够提供更高性能的推理体验。
- 训练推理全流程打通。本项目提供了全面的定制训练流程，从数据准备、模型训练预测，到模型推理部署，一应俱全。
基于预训练语言模型（Pretrained Language Models, PLMs）范式的自动文本摘要是目前最常用、效果最好(SOTA)的方式。 预训练模型是在超大规模的语料采用无监督（unsupervised）或者弱监督（weak-supervised）的方式进行预训练，能够学习如何准确地理解自然语言并以自然语言的形式流畅表达，这两项都是完成文本摘要任务的重要能力。
PaddleNLP提供了方便易用的接口，可指定模型名或模型参数文件路径通过from_pretrained()方法加载不同网络结构的预训练模型，且相应预训练模型权重下载速度快速、稳定。下面以中文unimo-text-1.0-summary模型为例，演示如何加载预训练模型和分词器：
from paddlenlp.transformers import UNIMOLMHeadModel, UNIMOTokenizer
model_name = "unimo-text-1.0-summary"
model = UNIMOLMHeadModel.from_pretrained(model_name)
tokenizer = UNIMOTokenizer.from_pretrained(model_name)
PaddleNLP提供开箱即用的产业级NLP预置任务能力，无需训练，一键预测。
>>> from paddlenlp import Taskflow
>>> summarizer = Taskflow("text_summarization")
# 单条输入
>>> summarizer("雪后的景色可真美丽呀！不管是大树上，屋顶上，还是菜地上，都穿上了一件精美的、洁白的羽绒服。放眼望去，整个世界变成了银装素裹似的，世界就像是粉妆玉砌的一样。")
# 输出：'雪后的景色可真美丽呀！'
# 多条输入
>>> summarizer([
"雪后的景色可真美丽呀！不管是大树上，屋顶上，还是菜地上，都穿上了一件精美的、洁白的羽绒服。放眼望去，整个世界变成了银装素裹似的，世界就像是粉妆玉砌的一样。",
"根据“十个工作日”原则，下轮调价窗口为8月23日24时。卓创资讯分析，原油价格或延续震荡偏弱走势，且新周期的原油变化率仍将负值开局，消息面对国内成品油市场并无提振。受此影响，预计国内成品油批发价格或整体呈现稳中下滑走势，但“金九银十”即将到来，卖方看好后期市场，预计跌幅较为有限。"
])
#输出：['雪后的景色可真美丽呀！', '成品油调价窗口8月23日24时开启']model：可选模型，默认为unimo-text-1.0-summary。batch_size：批处理大小，请结合机器情况进行调整，默认为1。
接下来，我们将按数据准备、训练、预测、推理部署对文本摘要应用的全流程进行介绍。
- 数据准备
- 如果没有已标注的数据集，我们推荐doccano数据标注工具。 如果已有标注好的本地数据集，我们需要根据将数据集整理为文档要求的格式，请参考从本地文件创建数据集。
- 模型训练
- 数据准备完成后，可以开始使用我们的数据集对预训练模型进行微调训练。我们可以根据任务需求，调整可配置参数，选择使用GPU或CPU进行模型训练，脚本默认保存在开发集最佳表现模型。中文任务默认使用"unimo-text-1.0-summary"模型，unimo-text-1.0-summary还支持large模型，详见UNIMO模型汇总，可以根据任务和设备需求进行选择。
- 模型预测
- 训练结束后，我们可以加载保存的最佳模型进行模型测试，打印模型预测结果。
- 模型推理部署
-
模型部署需要将保存的最佳模型参数（动态图）导出成静态图参数，用于后续的推理部署。
-
文本摘要应用提供了基于Paddle Serving的本地部署predictor，并且支持在GPU设备使用Faster Generation进行加速。
-
文本摘要应用提供了基于Paddle Serving的服务端部署方案。
以下是本项目主要代码结构及说明：
text_summarization/
├── deploy # 部署
│ ├── paddle_inference # PaddleInference高性能推理部署
│ │ ├── inference_unimo_text.py # 推理部署脚本
│ │ └── README.md # 说明文档
│ └── paddle_serving
│ ├── config.yml # 配置文件
│ ├── pipeline_client.py # 客户端程序
│ ├── pipeline_service.py # 服务器程序
│ └── README.md # 说明文档
├── export_model.py # 动态图参数导出静态图参数脚本
├── export_model.sh # 动态图参数导出静态图参数shell脚本
├── train.py # 训练评估脚本
├── train.sh # 训练评估shell脚本
├── utils.py # 工具函数脚本
└── README.md # 说明文档
在许多情况，我们需要使用本地数据集来训练我们的文本摘要模型，本项目支持使用固定格式本地数据集文件进行训练。
本地数据集目录结构如下：
data/
├── train.json # 训练数据集文件
└── test.json # 可选，待预测数据文件
本地数据集文件格式如下：
- train.json/test.json 文件每行格式：
{
"title": "任志强抨击政府把土地作为投机品地产业被人为破坏",
"content": "“北京的保障房市场就像一个巨大的赌场，每个人都在期待中奖。”面对中国目前现行的保障性住房政策，华远地产董事长任志强再次语出惊人。（分享自@第一财经-中国房地产金融）"
}
运行如下命令即可在样例训练集上进行finetune，并在样例验证集上进行验证。
# GPU启动，参数`--gpus`指定训练所用的GPU卡号，可以是单卡，也可以多卡
unset CUDA_VISIBLE_DEVICES
log_dir=output
rm -rf ${log_dir}
mkdir -p ${log_dir}
python -m paddle.distributed.launch --gpus "0,1,2,3" --log_dir ${log_dir} train.py \
--model_name_or_path=unimo-text-1.0-summary \
--train_file train.json \
--eval_file test.json \
--save_dir=${log_dir}/checkpoints \
--logging_steps=100 \
--save_steps=10000 \
--epochs=10 \
--batch_size=32 \
--learning_rate=5e-5 \
--warmup_propotion=0.02 \
--weight_decay=0.01 \
--max_seq_len=60 \
--max_target_len=30 \
--max_dec_len=20 \
--min_dec_len=3 \
--do_train \
--do_eval \
--device=gpu \也可以直接使用train.sh.
关键参数释义如下：
-
gpus指示了训练所用的GPU卡号。 -
dataset_name数据集名称。 -
train_file本地训练数据地址。 -
eval_file本地测试数据地址。 -
model_name_or_path指示了finetune使用的具体预训练模型，可以是PaddleNLP提供的预训练模型（详见UNIMO模型汇总），或者是本地的预训练模型。如果使用本地的预训练模型，可以配置本地模型的目录地址，例如: ./checkpoints/model_xx/，目录中需包含paddle预训练模型model_state.pdparams。如果使用PaddleNLP提供的预训练模型，可以选择下面其中之一。PaddleNLP提供的预训练模型 unimo-text-1.0-summary unimo-text-1.0 unimo-text-1.0-large -
save_dir表示模型的保存路径。 -
logging_steps表示日志打印间隔。 -
save_steps表示模型保存及评估间隔。 -
seed表示随机数生成器的种子。 -
epochs表示训练轮数。 -
batch_size表示每次迭代每张卡上的样本数目。 -
learning_rate表示基础学习率大小，将于learning rate scheduler产生的值相乘作为当前学习率。 -
weight_decay表示AdamW优化器中使用的weight_decay的系数。 -
warmup_propotion表示学习率逐渐升高到基础学习率（即上面配置的learning_rate）所需要的迭代数占总步数的比例，最早的使用可以参考这篇论文。 -
max_seq_len模型输入序列的最大长度。 -
max_target_len模型训练时标签的最大长度。 -
min_dec_len模型生成序列的最小长度。 -
max_dec_len模型生成序列的最大长度。 -
do_train是否进行训练。 -
do_eval是否进行预测，在验证集上会自动评估。 -
device表示使用的设备，从gpu和cpu中选择。
更多参数详情和参数的默认值请参考train.py。
程序运行时将会自动进行训练和验证，训练过程中会自动保存模型在指定的save_dir中。
如：
./checkpoints/
├── model_8000
│ ├── model_config.json
│ ├── model_state.pdparams
│ ├── special_tokens_map.json
│ ├── tokenizer_config.json
│ └── vocab.txt
└── ...
NOTE: 如需恢复模型训练，model_name_or_path配置本地模型的目录地址即可。
运行下方脚本可以使用训练好的模型进行预测。
export CUDA_VISIBLE_DEVICES=0
python train.py \
--do_eval \
--eval_file test.json \
--model_name_or_path=your_model_path \
--logging_steps=100 \
--batch_size=16 \
--max_seq_len=60 \
--max_target_len=30 \
--max_dec_len=20 \
--min_dec_len=3 \
--device=gpu程序运行结束后会将预测结果保存在output_path中。
Finetuned baseline的模型在LCSTS测试集上有如下结果：
| model_name | Rouge-1 | Rouge-2 | Rouge-L | BLEU-4 |
|---|---|---|---|---|
| finetuned unimo-text-1.0-summary | 39.56 | 26.24 | 36.35 | 21.48 |
使用动态图训练结束之后，可以通过静态图导出脚本实现基于FasterTransformer的高性能预测加速，并将动态图参数导出成静态图参数，静态图参数保存在output_path指定路径中。运行方式：
python export_model.py \
--model_name_or_path unimo-text-1.0-summary \
--decoding_strategy beam_search \
--inference_model_dir ./inference_model \
--max_out_len 30 \关键参数释义如下：
model_name_or_path：动态图训练保存的参数路径；默认为"unimo-text-1.0-summary"。inference_model_dir：静态图图保存的参数路径；默认为"./inference_model"。max_out_len：最大输出长度。
执行命令后将会自动导出模型到指定的 inference_model 中，保存模型文件结构如下所示：
inference_model/
├── unimo_text.pdiparams
├── unimo_text.pdiparams.info
└── unimo_text.pdmodel
文本摘要应用已打通多种场景部署方案，点击链接获取具体的使用教程。
Li, Wei, et al. "Unimo: Towards unified-modal understanding and generation via cross-modal contrastive learning." arXiv preprint arXiv:2012.15409 (2020).