基于统一表示与多源学习的少样本数据到文本生成
计算与语言
2023-08-11 v1
摘要
我们提出了一种用于结构化数据到文本生成的新方法，解决了现有方法主要聚焦于特定类型结构化数据的局限。我们提出的方法旨在通过提供统一表示来处理表格、知识图谱三元组、意义表示等多种形式的结构化数据，从而提升多任务训练、零样本与少样本场景下的性能。我们证明所提方法能有效适应新的结构化形式，且相较当前方法可提升性能。例如，将在表格输入上训练的模型迁移至知识图谱数据集时，我们的方法使零样本BLEU分数提升了66%。我们提出的方法是迈向更通用的数据到文本生成框架的重要一步。
引用
@article{arxiv.2308.05317,
title = {Few-Shot Data-to-Text Generation via Unified Representation and Multi-Source Learning},
author = {Alexander Hanbo Li and Mingyue Shang and Evangelia Spiliopoulou and Jie Ma and Patrick Ng and Zhiguo Wang and Bonan Min and William Wang and Kathleen McKeown and Vittorio Castelli and Dan Roth and Bing Xiang},
journal= {arXiv preprint arXiv:2308.05317},
year = {2023}
}