文 | 子龍

編 | 小軼

俗話說：“行百步者半九十”，論文接受固然可喜可賀，然而這只是萬里長征第一步。一份具有影響力的工作少不了一個后期的宣傳，做好一個PPT絕對是一個技術活。不知道小伙伴們平時怎么做PPT，是復制粘貼長篇大論抑或提綱挈領圖文并茂。直接拷貝論文固然簡單，但是動輒大半頁的文字實在很難讓人提起興趣，大家都明白應該抓住要點，并輔以圖片，但是怎么總結文章各個板塊并且合理排布呢，這又是個難題。

雖然論文千變萬化，但是計算機論文的PPT往往還是比較樸實無華的，往往遵循一定的格式，從介紹到模型，再從實驗到結論，基本上和行文對應，那么對每個板塊抽取核心信息，那么就能生成一份滿意的PPT。

今天介紹一篇'21的文章 D2S: -to- Via - Text 直接省去了苦思PPT細節的麻煩，提出一個基于問答抽取的方法，通過論文內容和給定標題直接生成對應的PPT。下圖就展示了一個用D2S自動生成的論文介紹PPT樣例。上方黑框中的是論文作者自己做的PPT，下面藍框里的是D2S自動生成的。可以看到，文字介紹部分還是十分合理的，與配圖對應，整體排版上還要優于人工制作的PPT。

論文題目:

D2S: -to- Via - Text

論文鏈接:

方法

本文將D2S（文檔生成PPT）視為一個封閉領域長文本問答，即限定在計算機論文的領域中，給定論文和每頁PPT的標題，從論文中抽取對應內容并加以總結，作為標題的“答案”。整個模型分為三個模塊，分別是：

關鍵詞模塊

論文的PPT肯定要參考原本論文，從一篇論文的各個版塊的標題那里，可以大致看出一篇文章所關注的要點和行文思路，這些標題可能是最基本的“介紹”、“相關文獻”、“實驗”，也可能是論文所設計的模塊的名稱，比如 is all you need論文中，就有專門介紹的一個部分。這些標題和子標題很自然的就形成了一個樹狀結構（模型圖左下角），這些樹狀結構中的節點被提取出來，作為關鍵詞，輔助后續的內容生成。

信息抽取模塊

關鍵詞模塊只是為了后續工作提供了一定的幫助，而信息抽取模塊才真正開始處理論文和PPT標題。本文采用了基于 BERT[1]的信息抽取模型。信息抽取模型可以根據相關程度在若干候選中給出一個排序，這個模塊就是為了從論文中找到和對應PPT標題相關的片段。

訓練模型

既然需要模型學習相關性，最容易想到的方法就是通過人工標注進行有監督學習，然而很難從最終完成的PPT中看出當前頁面與論文中哪些地方相關，于是本文選擇了一個折中的方法來訓練信息抽取模型，它將當前PPT頁面中的內容作為正例，將其他PPT頁面中的內容作為反例，訓練模型辨別這兩者的區別，進而學習PPT標題和內容的相關性，所學習得到的相關性可以后續用于評估PPT標題和論文片段的相關性。

抽取片段

因為PPT頁面中的內容和論文片段十分相似，于是通過上述方法訓練的模型可以很好的運用于評估PPT標題和論文片段的相關性。同時，每個論文片段同時又擁有對應的標題或者子標題，即關鍵詞模塊提取到的關鍵詞，最終每個論文片段與當前PPT標題的相關性取決于兩方面：

其中、、分別為PPT標題、論文片段、片段對應關鍵詞的文本特征。

問答模塊

最終每頁PPT中的內容由問答模塊來生成，這里采用的是預訓練的BART模型[2]。我們需要將“問題”和“上下文信息”提供給問答模型，這里的“問題”即每頁PPT的標題，上下文信息分為兩方面：

其中a,b為兩個字符串，d為兩者的編輯距離。

將整合好的“問題”和“上下文”以如下格式輸入到預訓練的BART，得到對應PPT的內容：

圖表抽取模塊

沒有插圖的PPT是不完整的，D2S對圖片的處理非常簡單，直接利用信息抽取模塊中訓練得到的模型評估PPT標題和圖片或者表格的描述文字計算相關性，進而插入到對應PPT頁面內。

模型表現

本文主要評估生成PPT的兩個方面：

PPT內容生成效果

因為這個任務的本質是信息抽取與總結，本文對比了D2S的問答模塊（記為）與如下：、（本文模型去除部分）。

同時，本文還將信息抽取模塊中的混合的方法(-Mix IR)和傳統的基于離散單詞對應的BM25( IR)做對比。結果如下：

從結果中可以看到結合關鍵詞的方法往往能夠得到更好的效果。在信息抽取階段引入關鍵詞，可以更好地評估PPT標題和論文片段的相關性，進而得到更加準確的上下文，這一點從各個的結果中都可以看出。在問答模塊階段，與以往單純將論文片段作為上下文，D2S中的將關鍵詞同樣輸入到上下文部分，也大大地提高了值。

可見，論文中的標題和子標題是一篇文章的骨架，很大程度上可以幫助針對論文內容的總結歸納工作，進而在生成PPT的任務中大有作為。

總結

本文由諸多模塊組成，利用了信息抽取和問答模型對計算機領域的論文進行總結，并創造性的提出了生成PPT這樣的任務，同時利用了論文各個版塊的標題和子標題提供更多的信息。