告别幻觉！抽取式摘要新框架在PubMed上超越CNN和LSTM基线
A Hybrid Hierarchical 1D-CNN-BiLSTM Framework for Extractive Summarization of Biomedical and Clinical Text
📖 AI 总结
本文提出一种用于生物医学与临床文本的混合分层1D-CNN-BiLSTM抽取式摘要框架，旨在规避大语言模型生成式摘要可能产生的事实幻觉风险。该方法将摘要任务转化为句子抽取，通过多核卷积堆叠构建句间表示，再由双向LSTM建模长程依赖，并以轻量评分头输出句子重要性分数，端到端训练。推理阶段采用动态均值加标准差阈值并结合前3句回退策略，直接从原文选取句子并按时间顺序重排，确保输出内容不偏离原文。在PubMed数据集上，该架构优于单独的CNN和LSTM基线，消融实验表明更宽的卷积感受野有助于提升句子评分。在MIMIC-CXR和MIMIC-IV BHC上，模型对非结构化叙述表现良好，但在高度模板化报告中退化为位置基线。研究提示，结构性约束可为构建“设计即可信”的事实型摘要系统提供可靠路径。
🔑 关键词速览
| Extractive Summarization | 抽取式摘要，直接从原文中选取重要句子组成摘要，不生成新文本，从而避免事实幻觉。 |
| Hybrid Hierarchical CNN-LSTM | 混合分层卷积神经网络与长短期记忆网络，结合CNN提取局部特征和LSTM建模长距离依赖的摘要模型。 |
| Multi-kernel Convolution | 多核卷积，使用不同大小的卷积核并行提取多尺度特征，以丰富句子表示。 |
| Bidirectional LSTM | 双向长短期记忆网络，同时从前向和后向处理序列，捕捉上下文信息。 |
| Factual Drift | 事实漂移，指生成式摘要中因模型自由生成而导致原文事实被扭曲或捏造的现象。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅