利用图神经网络控制意义到文本生成中的话题-焦点表述
计算与语言
2023-10-04 v1
摘要
一个裸意义表征可根据信息在表层的结构方式，用自然语言以多种不同方式表达。我们致力于寻找在由意义生成文本时控制话题-焦点表述的方法。我们聚焦于区分含及物动词句子的主动与被动语态。其思路是向意义表征中添加诸如话题的语用信息，从而当输入自然语言生成系统时强制生成主动或被动语态。由于图所表示的意义中无显式的词序信息，我们采用图神经模型。我们针对意义到文本生成任务尝试了三种不同的话题-焦点表述（TFA）方法，均使用图神经模型。我们提出了一种图神经模型中关于节点聚合的新颖编码策略：不同于传统的通过聚合相邻节点信息进行编码，该策略利用深度优先搜索学习节点表示。结果表明，我们的方法在通用文本生成上可与最先进的图模型取得相当性能，且在主动-被动转换任务上相较传统基于邻接的聚合策略有显著提升。不同类型的TFA会对图模型性能产生巨大影响。
引用
@article{arxiv.2310.02053,
title = {Controlling Topic-Focus Articulation in Meaning-to-Text Generation using Graph Neural Networks},
author = {Chunliu Wang and Rik van Noord and Johan Bos},
journal= {arXiv preprint arXiv:2310.02053},
year = {2023}
}