今年，人们预计会花大半天时间阅读电子邮件、文章或社交媒体上的帖子，而且情况只会变得更糟。为了帮助解决这个问题，Salesforce的研究人员开发了一种算法，根据MIT技术评论，该算法使用机器学习产生“令人惊讶的连贯和准确”的摘要。

自动摘要对于Salesforce来说将是一项特别有用的技术，Salesforce生产各种以****为中心的产品。该公司指出，由此产生的总结可以被销售或****代表用来快速消化电子邮件和信息，这将使他们能够花更多的时间专注于他们的客户。

为此，Salesforce正转向机器学习，以找到总结较长文本块的方法，并最终将其融入产品中。该公司宣布，它在自然语言处理方面取得了两项突破，引入了一种新的“上下文词生成模型”和一种“训练摘要模型的新方法”。这两项进步使研究人员能够自动生成准确可读的较长文本摘要。该公司去年收购了一家深度学习公司MetaMind，该公司是这项研究的幕后推手。

研究人员解释说，自动文本摘要有两种工作方式：提取或抽象。通过提取，计算机可以从文本中已有的措辞中提取，但这不是很灵活。抽象允许计算机引入新词，但系统必须充分理解原文，才能引入正确的词。

这就是深度学习神经网络发挥作用的地方。他们处理大量的句子和单词的例子，吐出每个短语的新表示法，这使得系统能够解释文本并引入自己的单词。研究人员让他们的模型回过头来看看文本，寻找额外的上下文。它还回顾了前面生成的示例，以确保它不会重复自身。

另一个突破是研究人员如何训练系统学习和自我完善。他们使用了两种方法：教师强迫和强化学习。强化学习是一种从动物如何学习中获得灵感的方法，它被用来教谷歌的深层次思维如何玩电子游戏。在这个例子中，模型被允许生成一个单词序列，然后用一个称为ROUGE（注册评估的面向回忆的替补）的自动评估度量对结果进行评分。该算法用更高的分数进行自我更新，从而在将来的总结中获得更好的结果。教师强迫是指根据既定的参考资料逐字打分，这样可以提供“非常不错的结果”，但不允许有太多的灵活性。

研究人员发现“胭脂优化的RL有助于提高回忆能力……单词级的学习监督确保了良好的语言流动性，使摘要更加连贯和可读。”针对这一系统，他们发现他们的联合模型得分高于其他方法，Salesforce的首席科学家Richard Socher，他注意到，他认为自己从未见过“任何（自然语言处理）任务有如此大的改进”

结果是相当惊人的：研究人员提供了几个例子，显示了原始文章，人类生成的摘要，以及由他们自己的模型生成的摘要，在每种情况下，摘要都比原始文本短得多，但包含了可读形式的要点。尽管取得了进展，但在这一领域仍有大量工作要做：麻省理工学院技术评论与西北大学教授克里斯蒂安·哈蒙德（Kristian Hammond）交谈时指出，这一进展“显示了单纯依赖统计机器学习的局限性”，但这是朝着正确方向迈出的一步。