SAPPHIRE：增强概念到文本生成的方法
计算与语言
2021-12-03 v2 人工智能
机器学习
摘要
我们提出并论证了一套简单而有效的概念到文本生成改进方案，称为 SAPPHIRE：集合增强与事后短语填充及重组（Set Augmentation and Post-hoc PHrase Infilling and REcombination）。我们通过使用 BART 与 T5 模型的实验，在生成式常识推理（即 CommonGen 任务）上展示了其有效性。通过广泛的自动与人工评估，我们表明 SAPPHIRE 显著提升了模型性能。深入的定性分析说明，SAPPHIRE 有效解决了基线模型生成中的诸多问题，包括缺乏常识、特异性不足以及流畅性差。
引用
@article{arxiv.2108.06643,
title = {SAPPHIRE: Approaches for Enhanced Concept-to-Text Generation},
author = {Steven Y. Feng and Jessica Huynh and Chaitanya Narisetty and Eduard Hovy and Varun Gangal},
journal= {arXiv preprint arXiv:2108.06643},
year = {2021}
}
备注
INLG 2021 [Best Long Paper]. Code available at https://github.com/styfeng/SAPPHIRE