通过可控潜在扩散改进的释义生成

释义生成旨在为给定文本生成高质量且多样化的表达，这是扩散模型擅长的领域。尽管最先进的扩散生成方法在生成质量和多样性之间取得了平衡，但文本扩散存在截断问题，阻碍了效率和质量控制。在这项工作中，我们提出了潜在扩散释义器（LDP），这是一种新颖的释义生成方法，通过在给定的潜在空间中对可控扩散过程进行建模来实现。与同类扩散方法相比，LDP 实现了更高的生成效率。它可以仅利用输入片段来确保释义的语义，从而在无需外部特征的情况下改善结果。实验表明，LDP 比基线方法更好地平衡了释义生成的质量和多样性。进一步的分析表明，我们的方法对其他类似的文本生成和领域适应任务也有帮助。