面向零样本个性化表格到文本生成的对比式人物角色蒸馏
计算与语言
2023-04-19 v1
摘要
现有神经方法在从结构化表格数据生成信息丰富文本以及保持高内容保真度方面已展现出巨大潜力。然而，它们中极少有研究涉及生成个性化表达，而这通常需要难以获取的良好对齐的人物角色-表格-文本数据集。为克服这些障碍，我们探索了零样本设定下的个性化表格到文本生成，即假设训练期间不需要良好对齐的人物角色-表格-文本三元组。为此，我们首先收集一组未配对的人物角色信息，然后提出一种带对比式人物角色蒸馏的半监督方法（S2P-CPD）来生成个性化上下文。具体而言，表格数据与人物角色信息首先分别表示为潜变量。接着，我们设计了一种潜空间融合技术，将人物角色信息蒸馏到表格表示中。此外，采用基于对比的判别器来保证生成上下文与其对应人物角色之间的风格一致性。在两个基准上的实验结果表明了S2P-CPD在保持内容保真度与个性化表达方面的能力。
引用
@article{arxiv.2304.08911,
title = {Towards Zero-Shot Personalized Table-to-Text Generation with Contrastive Persona Distillation},
author = {Haolan Zhan and Xuming Lin and Shaobo Cui and Zhongzhou Zhao and Wei Zhou and Haiqing Chen},
journal= {arXiv preprint arXiv:2304.08911},
year = {2023}
}
备注
Accepted by ICASSP 2023