具有动态内容规划的神经数据到文本生成
计算与语言
2020-04-21 v2
摘要
近年来，神经数据到文本生成模型取得了显著进展。然而，这些模型存在两个缺点：生成的文本往往遗漏一些重要信息，并且经常生成与结构化输入数据不一致的描述。为缓解这些问题，我们提出了一种具有动态内容规划的神经数据到文本生成模型，缩写为 NDP。NDP 能够利用先前生成的文本从给定的结构化数据中动态选择合适的条目。我们进一步设计了一种带有新颖目标函数的重构机制，该机制可从解码器的隐藏状态顺序重构所用数据的整个条目，从而有助于提高生成文本的准确率。实证结果表明，在 ROTOWIRE 数据集上，NDP 在关系生成（RG）、内容选择（CS）、内容排序（CO）和 BLEU 指标方面均优于最先进的模型。人工评估结果显示，在大多数情况下，所提出的 NDP 生成的文本优于 NCP 生成的对应文本。并且使用所提出的重构机制，可进一步提升生成文本的保真度。
引用
@article{arxiv.2004.07426,
title = {Neural Data-to-Text Generation with Dynamic Content Planning},
author = {Kai Chen and Fayuan Li and Baotian Hu and Weihua Peng and Qingcai Chen and Hong Yu},
journal= {arXiv preprint arXiv:2004.07426},
year = {2020}
}
备注
25 pages, 1 figure and 6 tables