复述是具有替代单词和顺序的文本表达,以实现更好的清晰度。 已经发现,复述对于扩大训练数据集至关重要,这有助于增强旨在用于各种自然语言处理(NLP)任务的机器学习模型的性能。 因此,近来,自动复述的产生已受到越来越多的关注。 但是,评估生成的复述的质量在技术上具有挑战性。 在文献中,生成的复述的重要性往往取决于它们对其他NLP任务性能的影响。 这种评估称为外部评估,它需要大量的计算资源来训练和测试模型。 到目前为止,很少关注内在评估的作用,在内在评估中,根据预定义的地面事实(参考释义)来判断生成的释义的质量。 实际上,找到理想而完整的参考释义也非常具有挑战性。 因此,在这项研究中,我们提出了一种