金沙体育小本生意免税条约未能落实，小商贩被严重剥削，以致百姓聚众闹事并火烧衙门，造成多人伤亡。王炀 抢救出公章。

　　这些明朝的“一句话”新闻，都是一个名叫HistSumm的AI算法，根据文言文提炼出来的摘要。

　　生成文本摘要的NLP见得多了，古汉语摘要总结还是第一次。这项研究来自就读于英国谢菲尔德大学的北航校友，以及北航计算机系的团队金沙体育，和英国开放大学。

　　《万历邸抄》，是明万历年间的“今日头条”，抄录自当时的官方“邸报”。内容包括皇帝诏谕、民生百态、军事外交等等。

　　团队使用HistSumm，对《万历邸抄》中的100多段文言文进行了摘要提炼。

　　IdMap+CONV（CONV指简繁汉字转换增强语料库训练）给出的结果也是：

　　可以看出，算法对于一段文言文主要的人物 、事件、关系都能准确把握，只是偶然会遗漏一些细节。

　　在与最出色的跨语言学习模型XLM的结果对比中，HistSumm的表现都有所超越：

　　对古汉语进行摘要历练的HistSumm，它的训练数据，其实大部分都是现代汉语。

　　对于像中文这样的表意语言，基于笔画（类似于字母语言的单词信息）训练的词嵌入是实现最佳性能的途径。因此团队利用笔画信息来提取汉字的特征向量。

　　此外，还有一点很重要。与简化字（在训练资源中占主导）相比，繁体字通常有更丰富的笔画，例如，“葉”字，包含’艹’（植物）和’木’（木）的语义相关成分，而它的简化版本（’叶’）则没有。

　　繁体字的这些特性，有利于基于笔画的嵌入方式。所以为了提高模型的性能，团队还对繁体化的汉字进行了额外的实验。

　　接下来，团队为模型建立了两个语义空间，空间中的特征向量既来自现代汉语，也有古汉语。

　　对于特征向量，主要采取两种引导策略：完全无监督（UspMap）的方式和相同词汇对（IdMap）方式。

　　前者只依赖于输入向量之间的拓扑相似性，而后者则额外利用古今同意的词作为依据。

　　训练阶段，团队使用了现代汉语数据集CSTS，训练了一个只接受现代汉语输入的总结器。

　　编码器的嵌入权重，在建立特征空间时金沙体育，用相应的跨语言词向量的现代语分区进行初始化。

　　团队直接将编码器的嵌入权重替换为向量空间中的古汉语特征向量，得到一个新的模型。这个模型可以用古汉语输入，但输出现代汉语句子，并且整个过程不需要任何外部并行监督。

　　简单的总结一下金沙体育，团队让模型能理解古文的关键，是在特征向量空间中，建立互相联系的古汉语-现代汉语词汇对金沙体育。然后再用现代汉语数据训练模型，之后替换掉对应的特征向量金沙体育。

　　本研究的第一作者Xutan Peng，目前是英国谢菲尔德大学在读博士生，研究方向是自然语言处。

　　论文的另一作者，谢菲尔德大学的Lin Chenghua老师，本科也毕业于北航计算机系。