PoMo：在上下文中生成实体特定的后置修饰语
计算与语言
2019-04-10 v2
摘要
我们将实体后置修饰语生成引入作为一种协作写作任务的实例。给定一句关于目标实体的句子，该任务是自动生成一个后置修饰短语，提供与该实体在上下文中相关的信息。例如，对于句子“Barack Obama, _______, supported the #MeToo movement.”，短语“a father of two girls”是一个在上下文中相关的后置修饰语。为此，我们构建了 PoMo，一个从新闻文章中自动创建的后置修饰语数据集，反映了新闻业对纳入与特定新闻事件相关的实体信息的需求。PoMo 包含超过 231K 个带有后置修饰语的句子，以及从 Wikidata 中提取的约 57K 个唯一实体相关的属性事实。我们使用众包表明，对上下文相关性进行建模对于准确的后置修饰语生成是必要的。我们调整了若干现有生成方法作为该数据集的基线。我们的结果表明，无论是在识别需包含的相关事实方面（知道哪些断言相关可使 BLEU 分数提高 >20%），还是在为上下文生成恰当的后置修饰语文本方面（提供相关断言不足以实现准确生成），都大有改进空间。我们进行了错误分析，指出了未来研究的有前景方向。
引用
@article{arxiv.1904.03111,
title = {PoMo: Generating Entity-Specific Post-Modifiers in Context},
author = {Jun Seok Kang and Robert L. Logan and Zewei Chu and Yang Chen and Dheeru Dua and Kevin Gimpel and Sameer Singh and Niranjan Balasubramanian},
journal= {arXiv preprint arXiv:1904.03111},
year = {2019}
}
备注
NAACL-HLT 2019