基于多任务学习的名词性隐喻生成
计算与语言
2022-08-18 v3
摘要
隐喻生成是一项具有挑战性的任务，可影响诸多下游任务，如提升对话系统与故事生成中的用户满意度。本文通过引入一种带有自训练与隐喻识别机制的多任务隐喻生成框架，解决中文名词性隐喻生成问题。自训练解决了隐喻数据集的数据稀缺问题。即，模型不单依赖通常规模较小的标注隐喻数据集，而是借助自训练从大规模无标注语料中识别潜在隐喻用于隐喻生成。隐喻加权机制使我们的模型在模型学习时聚焦于输入中与隐喻相关的部分（如隐喻与比较项的对比），从而提升生成隐喻的隐喻性。我们的模型在由 6.3k 含多样隐喻表达的句子组成的标注语料上训练。实验结果表明，即便训练数据不足，我们的模型相比基线模型也能生成具有更好可读性与创造性的隐喻。
引用
@article{arxiv.2206.05195,
title = {Nominal Metaphor Generation with Multitask Learning},
author = {Yucheng Li and Chenghua Lin and Frank Geurin},
journal= {arXiv preprint arXiv:2206.05195},
year = {2022}
}