AAAINov, 2016

对于改写句子的联合复制和受限生成

PDF
TL;DR本篇论文开发了一种新的 Seq2Seq 模型，该模型将一个复制解码器和一个受限生成解码器融合在一起，并利用一个预测器来预测复制或重写的模式以确定最终输出，在两个不同的复述数据集上进行广泛的实验，结果表明我们的模型在信息量和语言质量方面均优于现有的最先进方法。
natural language generationseq2seq modelparaphrasecopying decodergenerative decoder
发现论文，激发创造
  • 将复制机制纳入序列生成式学习中

    本研究提出了一种名为 CopyNet 的神经网络模型，集成了新的复制机制，可选择性地将输入序列中的子序列放置在输出序列的适当位置，对于文本摘要等任务表现更佳。

    Mar, 2016

  • 顺序复制网络

    本文提出了一种新的复制框架 SeqCopyNet，它不仅能够复制单个单词，还能够从输入句子中复制序列，实验证明 SeqCopyNet 在句子摘要和问题生成方面表现出色。

    Jul, 2018

  • 采用重新阅读和复制机制的高效摘要生成

    本文提出了一种新的 encoder-decoder 模型来解决 NLP 中的 sequence to sequence prediction 任务，新模型考虑了整个输入序列并引入复制机制来有效处理小样本集和 OOV 问题。在 Gigaword 数据集和 DUC 竞赛中，该模型的性能超过了现有模型。

    Nov, 2016

  • 一个用于释义生成的深度生成框架

    本篇论文研究了一种使用深度生成模型（VAE）与序列到序列模型（LSTM）相结合的方法来自动生成给定句子的同义句，相对于现有方法具有更好的性能和简洁的模块化结构。

    Sep, 2017

  • 基于字符的数据到文本生成的复制机制和定制训练

    本篇论文提出了一种基于字符的端到端序列 - to - 序列模型，具有注意力机制、不需要词汇处理，以及包含常规生成机制和复制输入事实以产生输出的复制机制，同时提出了一个新的数据集 E2E+，并表明该模型在五个常用度量标准下的性能逊于基于字符和基于词汇的方法。

    Apr, 2019

  • 无监督意见摘要作为抄袭评论生成

    本研究提出了一种基于变分自编码器的生成模型，可以在无监督学习的条件下，通过控制输入文本的变异程度，生成简明扼要、持有共识观点的评论摘要。

    Nov, 2019

  • 通过查询分布式词表示生成词语以进行释义生成

    本文提出一种基于编码器 - 解码器框架的新模型 Word Embedding Attention Network (WEAN)，通过查询分布式词表示（即神经词嵌入）来生成单词，以捕获相应单词的含义，实验结果表明，该模型在两个英语文本简化数据集上的 BLEU 分数分别为 6.3 和 5.5，在一个中文摘要数据集上的 ROUGE-2 F1 分数为 5.7，并在这三个基准数据集中取得了最优表现。

    Mar, 2018

  • 序列复制编辑

    本文针对神经序列到序列模型不能完全符合文本和代码编辑需求，提出了一种扩展模型，通过一次性在输出中复制整个输入来减少决策次数，并衍生一种新的训练目标和变种 beam search 算法来处理输出生成的多样性问题，在自然语言和源代码的一系列编辑任务中实验表明，该模型始终优于简单基线。

    Jun, 2020

  • 利用指针生成网络进行摘要生成

    本文提出了一种新的架构，通过使用混合指针生成网络和覆盖机制以增强标准的序列到序列注意模型来解决神经序列到序列模型不精确复制信息和重复问题，该模型在 CNN/Daily Mail 摘要任务上表现优异。

    Apr, 2017

  • 只需复制

    本文提出了一种基于复制粘贴机制的文本生成方法，在已有文本集合中逐步复制文本片段并根据其中的上下文信息进行索引，实现了更好的自然语言生成质量和推理效率，并可在领域适应和扩展时不需重新训练模型。

    Jul, 2023