基于知识且经连贯性增强文本规划的评论生成
计算与语言
2021-05-11 v1
摘要
作为一项自然语言生成任务，生成信息丰富且连贯的评论文本具有挑战性。为增强生成文本的信息量，现有方案通常学习从知识图谱（KGs）中复制实体或三元组。然而，它们缺乏对所纳入知识的整体考量与安排，往往导致文本不连贯。为解决上述问题，我们聚焦于利用 KGs 的语义结构来改进生成评论的以实体为中心的连贯性。在本文中，我们提出一种新颖的基于知识图谱（KGs）的连贯性增强文本规划模型（CETP），以改进评论生成的全局与局部连贯性。所提模型学习用于生成文档的两级文本规划：（1）文档规划被建模为有序的句子规划序列；（2）句子规划被建模为来自 KG 的基于实体的子图。局部连贯性可通过 KG 子图内实体间句内关联自然强化。对于全局连贯性，我们设计了一种具有子图和节点两级注意力的分层自注意力架构，以增强子图间关联。据我们所知，我们首个利用基于 KG 的文本规划模型来增强评论生成的文本连贯性。在三个数据集上的大量实验证实了我们的模型在改进生成文本内容连贯性方面的有效性。
引用
@article{arxiv.2105.03815,
title = {Knowledge-based Review Generation by Coherence Enhanced Text Planning},
author = {Junyi Li and Wayne Xin Zhao and Zhicheng Wei and Nicholas Jing Yuan and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2105.03815},
year = {2021}
}
备注
Accepted by SIGIR 2021 (Long Paper)