以关键事实为枢轴：低资源表格到文本生成的双阶段模型

Aug, 2019

以关键事实为枢轴：低资源表格到文本生成的双阶段模型

Key Fact as Pivot: A Two-Stage Model for Low Resource Table-to-Text Generation

Shuming Ma, Pengcheng Yang, Tianyu Liu, Peng Li, Jie Zhou...

TL;DR在仅有有限平行数据的低资源情况下，本文提出了一种将结构化数据转化为非结构化文本的表格转文本生成模型，将生成过程分为关键事实预测和表面实现两个阶段，其中关键事实预测需要的注释数据更少，而表面实现则可以通过伪平行语料库进行训练，在传记生成数据集上实现了 27.34 BLEU 分数，明显优于基线模型的 9.71 BLEU 分数。

Abstract

table-to-text generation aims to translate the structured data into the unstructured text. Most existing methods adopt the encoder-decoder framework to learn the transformation, which requires large-scale training samples. However, the lack of large parallel data is a major practical p

table-to-text generation low-resource scenario key fact prediction surface realization biography generation dataset

发现论文，激发创造

结构感知 Seq2seq 学习的表格到文本生成

本文提出一个新结构的 seq2seq 模型，包含场门编码器和生成器，以及双重注意力机制，通过编码和解码阶段实现了对表格内容和结构的建模，从而实现了表格到文本的生成任务，并在 WIKIBIO 数据集上取得了优于基线的结果。

Nov, 2017

基于编码器 - 解码器模型的表格生成框架

提出了一种面向文本到表格的神经模型框架，包括排列基础的解码器，可应用于提取行项、合并实体和关系、或者知识库填充等 NLP 任务中，并在多个挑战性数据集上实现了超越以往解决方法高达 15％的最优效果。

Jun, 2022

XF2T: 跨语言低资源事实到文本生成

本论文提出了跨语言机器自动事实到文本生成的方法，使用包括 BERT 和 GPT-2 在内的 Transformer-based 模型和多语言数据集 XALIGNV2，得到了优秀的结果。

Sep, 2022

内容增强的基于 BERT 的文本到 SQL 生成

本文提出了一种简单的方法，利用表格内容为基于 BERT 的模型解决文本到 SQL 的问题。通过观察表格内容与问题中的一些单词匹配以及表格标题也与问题中的一些单词匹配，我们为深度模型编码了两个额外的特征向量。我们在 WikiSQL 数据集上进行了测试，并在逻辑形式和执行准确性方面比 BERT 基线提高了 3.7％，成为业内领先者。

Oct, 2019

表格转文本：用自然语言描述表格区域

本文提出了一种生成模型，它将一行从表中映射到一个连续向量，然后通过利用表的语义生成一个自然语言句子，还提出了一种灵活的复制机制以处理表中出现的罕见单词，并在两个综合数据集上取得了较高 BLEU-4 分数，其中一个数据集包含 13,318 个解释句子和 4,962 个表格。

May, 2018

Facts2Story：通过关键事实控制文本生成

该研究提出了一个基于自然语言的控制生成任务，可将一系列事实扩展为更长的叙述，并通过引入人类评估指标和大型训练数据集的方法评估了三种方法，证明了自回归的单向语言模型如 GPT2 的生成流畅度更好，但很难遵循所请求的事实，提出了一个基于计划和填空模型的解决方案（使用精细调整的 XLNet），其生成流畅度有竞争力，同时遵循所请求的内容。

Dec, 2020

三维有效分层编码表格生成文本

本文主要介绍了一个改进型的 Seq2Seq 模型，可用于将多维表格转化为文本，并针对表的多个维度建模，并在 NBA 篮球比赛数据的基准数据集 ROTOWIRE 上进行了评估，效果明显。

Sep, 2019

Plan-then-Seam: 实现高效的表格到文本生成

本文提出了第一个完全的非自回归表格到文本模型（Plan-then-Seam，PTS），通过使用一个新颖的重新思考指针预测器编写和校准内容的计划，然后将计划作为上下文进行拼接以解码描述，从而在保持并行解码的同时，通过共享参数并迭代执行这两个步骤来捕获标记间的互相依赖性，这两个步骤共享参数并迭代执行以捕获标记间的互相依赖性，以有效地实现对表格到文本生成任务的性能提升。

Feb, 2023

事实与感受：在表格转文本生成中捕捉客观性和主观性

通过对线性化表格进行序列到序列模型的微调和在流行的大型语言模型上进行提示，我们分析了从定量和定性的角度来确保捕捉主观性和事实的一致性的结果，显示出微调的 LMs 可以接近提示的 LLMs。根据我们的了解，我们提供了一种多类型和包含主观性的表格数据集，并对不同的 LLM 性能进行了首次全面的分析和比较。

Jun, 2024

原型记忆的少样本表格到文本生成

提出了新的框架：Prototype-to-Generate（P2G），旨在通过使用检索的原型来提高神经表生成文本模型在少样本场景下的性能，并利用 IR 系统和新型原型选择器共同选择原型以帮助模型弥合表格和文本之间的结构差距。在三个基准数据集上进行的实验结果表明，该文所提出的框架显著提高了各种评估指标的模型性能。

Aug, 2021