利用用户生成数据学习评论生成

Oct, 2018

Learning Comment Generation by Leveraging User-Generated Data

Zhaojiang Lin, Genta Indra Winata, Pascale Fung

TL;DR提出了一种结合检索和生成方法的方法，使用关注模块检索有信息量和相关性的用户生成数据评论，然后与文章一起作为输入，使用具有复制机制的序列到序列模型。在大规模评论生成数据集上展示了该模型的稳健性并证明了其在 BLEU-1 得分方面比具有注意力机制的 Seq2Seq 和信息检索模型等强基线模型显着优越约 27 和 30 个 BLEU-1 点。

Abstract

Existing models on open-domain comment generation are difficult to train, and they produce repetitive and uninteresting responses. The problem is due to multiple and contradictory responses from a single article, and by the rigidity of →

open-domain comment generation retrieval methods sequence-to-sequence model copy mechanism bleu-1 score

发现论文，激发创造

通过读者感知主题建模和显著性检测生成多样化评论

提出了一种针对评论内容的自动生成模型，采用读者感知的主题建模和显著信息检测框架，生成多样化和有信息量的评论，并在三个数据集上取得了优于现有基线方法的结果。

Feb, 2021

使用图到序列模型为中文文章生成连贯评论

本研究提出了基于图到序列模型的评论生成方法，该模型将输入的新闻文章作为一个话题交互图进行建模，以更好地理解文章的内部结构和主题之间的联系，从而比传统编码器 - 解码器模型在在线新闻平台中为用户提供更连贯和有用的评论。

Jun, 2019

利用用户评论提升视频文字检索

本文介绍了一个包含视频、标题和评论的新数据集，并 presents 了一种基于 attention-based 机制的方法，该方法可以让模型从用户评论等有时不相关的数据中学习，并通过使用评论来学习更好的、更具上下文的图像、视频和音频表示。

Oct, 2022

将读者评论纳入抽象文本摘要

本文介绍了一种采用读者评论辅助生成 “主要方面” 摘要的方法 —— 读者感知的生成式摘要。使用对抗思想和神经网络框架，作者提出了一个名为 RASG 的模型，该模型克服了评论的非正式和嘈杂的挑战，并取得了表现优异的成果。

Dec, 2018

通过众包音乐评论连接音乐与文本：基于序列到序列框架的主题音乐评论生成

本文研究了如何自动生成音乐的文本描述，使用众包音乐评论构建了新数据集，并提出了一种序列到序列模型以及新的评估方法来衡量生成文本的质量。实验结果证明该模型能够生成流畅、有意义的评论，并包含原始音乐的主题和内容信息。

Sep, 2022

从沙子中筛选更多的金子：利用有噪声的自我检索生成优化开放域对话训练

通过引入 BERTScore 提高证据质量，构建 retrieval-generation 训练框架，利用信息丰富但杂乱无章的对话数据，能使模型生成更好的响应，甚至比扩大培训集带来更好的性能提升。

Jan, 2022

检索与精炼：用于对话的改进序列生成模型

本研究发展了一种融合了两种不同方法的模型，能够检索出机器人回答，并将其作为附加语境进行精细调节，从而产生了更准确、更生动、更吸引人的回答。在最近的 CONVAI2 挑战评估中，该模型在人类评估中明显优于传统的检索和生成模型。

Aug, 2018

代码到注释的翻译：数据、度量、基准和评估

本文在研究代码注释生成中，分析了采用翻译模型的可行性以及 BLEU 得分的校准方法，并提出了基于信息检索方法的合理基准线以及未来研究方向的建议。

Oct, 2020

社交媒体语境下的对话模型建立方法

本文介绍了一种通过模仿社交媒体上的非正式互动改善系统的原始会话能力的方法，并利用 Reddit 上的过滤评论数据作为 seq2seq 生成器的额外上下文，以提高开放域对话系统的能力。

Jun, 2022

阅读、参考和评论：用于自动新闻评论的深度架构

本文探讨了自然语言生成的技术，并提出了基于 “读 - 关注 - 评价” 流程的新闻评论自动化生成方法，通过阅读网络和生成网络来理解新闻文章并生成评论。实验结果表明，该模型在自动评估和人类判断方面明显优于现有方法。

Sep, 2019