该文章调查了近年来开发的自然语言生成（NLG）系统的评估方法。将 NLG 评估方法分为三类，讨论了每种类别取得的进展和仍然面临的挑战，重点关注最近提出的 NLG 任务和神经 NLG 模型的评估。最后提出了自动文本摘要和长文本生成的两个任务特定的 NLG 评估示例，并提出了未来的研究方向。

Jun, 2020

研究人工智能自然语言生成系统 (NLG)，探讨其任务与应用，介绍 NLG 领域基本知识给潜在的合作伙伴。

May, 1996

该论文介绍了近年来自然语言处理在各种领域中得到广泛应用的四个阶段，包括其历史演变、现状和应用领域，以及当前的趋势和挑战。

Aug, 2017

本教程关注于文本生成，这是一类自然语言生成任务，它以一段文本作为输入，然后生成一篇按照某些特定标准（如可读性或语言风格）改进的修订版本，同时保留原版文本的大部分含义和长度。

Oct, 2023

本调查综述了自然语言生成的定义、应用、方法及评估，提供了一种神经网络生成模型的信息总览。

Jul, 2020

此文献综述聚焦于使用自然语言生成 (NLG) 自动检测和生成说服性文本的应用，旨在延伸之前研究的自动识别文本中的说服力的方面，通过将说服力的决定因素概念化为五个业务关注的类别：仁慈、语言适宜性、逻辑论证、可靠性、工具和数据集，重点关注生成方面，这些因素可以使 NLG 增加现有信息的说服力，并发展了进一步研究说服性 NLG 的研究议程，该综述分析了 77 篇文章，概述了现有的知识体系，展示了这一研究领域的稳步进展。

Jan, 2021

本文主要探讨自然语言生成器 (NLG) 领域包括方法、评估、任务等方面的相关研究，并特别关注了 NLG 被恶意利用的潜在危险，以及存在的偏见风险。

Aug, 2022

本文综述了神经文本生成领域的最新进展和未来方向，包括数据构造、神经框架、训练和推理策略以及评估指标等方面。

Mar, 2022

最近强大的语言模型为自然语言生成（NLG）提供了进步，使其不仅可以执行传统任务如摘要或翻译，还可以作为各种应用的自然语言接口。本文首先提出了表示不确定性所需的基本理论、框架和词汇，并从语言学的角度确定了 NLG 中主要的不确定性来源，并提出了一个比流行的整体 / 种类二分法更具信息量和忠实度的二维分类系统。最后，我们从理论转向应用，强调利用不确定性进行解码、可控生成、自我评估、选择性回答、主动学习等的令人兴奋的研究方向。

Jul, 2023

自然语言生成（NLG）的评估是人工智能中一个重要但具有挑战性的问题。本文调查了基于大型语言模型的 NLG 评估方法，探讨了它们的优势和劣势，讨论了人机合作的 NLG 评估，并提出了该领域的几个开放问题和未来的研究方向。

Feb, 2024