在自然语言生成中最大化风格控制与语义准确性：人格变异与语篇对比
计算与语言
2019-07-24 v1 人工智能
机器学习
摘要
面向任务对话的神经生成方法通常从意义表示生成，该表示使用领域信息数据库（如描述餐厅的数据表）填充。虽然早期工作仅关注输出的语义保真度，近期工作已开始探索在同时实现语义准确性的情况下控制生成文本风格的方法。在此，我们对两个风格基准任务进行实验：生成展现人格变异的语言，以及生成语篇对比。我们报告了在这两个基准上相对于当前最优（SOTA）在风格控制和语义准确性方面的巨大性能提升。我们测试了几种不同模型，并表明将风格条件置于解码器中并去除早期模型使用的语义重排序器，可使人格任务的 BLEU 提高超过 15 点，同时将语义错误降至接近零。我们还报告了对比控制从 .75 提升到 .81，以及语义错误从 16% 降至 2%。
引用
@article{arxiv.1907.09527,
title = {Maximizing Stylistic Control and Semantic Accuracy in NLG: Personality Variation and Discourse Contrast},
author = {Vrindavan Harrison and Lena Reed and Shereen Oraby and Marilyn Walker},
journal= {arXiv preprint arXiv:1907.09527},
year = {2019}
}