本文提出了一种新方法 NeuralREG,该方法通过深度神经网络一步决定形式和内容,并在 WebNLG 语料库的去词汇化版本上显示出优越的性能,数据和模型已公开。
May, 2018
提出了一种基于内在任务的评估协议,针对对话生成模型中的表述生成模型进行了综合性评估,发现新的评估协议能更准确和可靠地评估每个模型的性能。
Feb, 2024
本文提出了一个具有相互作用的交互式 REF 模型,利用用于识别目标定位以及由 REC 模型定位的视觉区域的信号逐步修改 REs,实验证明该模型在三个参考数据集上优于现有方法,并通过人工评估证明其生成了更好且具有交互能力的 REs。
Aug, 2023
近年来,许多自然语言处理(NLP)的研究主要关注于性能改进。本文通过在上下文中生成指代表达式(REG-in-context)的任务作为案例研究,聚焦于 NLP 的语言和科学方面。我们对 GREC 进行分析,这是一个十多年前在英语中解决这个主题的多样共享任务的综合数据集。我们研究了模型在更现实的数据集上和使用更先进方法评估时的表现。我们通过不同评估指标和特征选择实验来测试这些模型。我们得出结论,GREC 不能再被视为可靠评估模型仿真人类参考生成能力的工具,因为结果受到语料库和评估指标选项的极大影响。我们的结果还表明,预训练语言模型对语料库的选择不太依赖,相比传统机器学习模型更能提供更强大的类别预测。
Jul, 2023
本研究提出了一种适应性重构网络,通过语义相似性计算、自适应定位和协作重构等三个模块的方式,克服弱监督条件下目标与表达之间的对应关系不足引发的问题,在五个数据集上的试验结果表明该网络优于现有的最先进方法。
Jul, 2022
探究场景背景在图像中物体指称生成中的作用,并以转换器为基础的 REG 模型为训练和测试对象,结果显示即使简单的场景背景也能使模型对干扰具有出乎意料的韧性,甚至在完全缺失目标的视觉信息情况下也能辨别出指称类型。
Apr, 2024
本文提出一种基于知识引导的配对重构网络(KPRN)框架来解决弱监督参考表达基础(REG)问题,并进行了四个大规模数据集的实验来展现模型的优异性能。
Sep, 2019
本文提出了使用 OntoNotes 语料库替代 WebNLG 的方法来评估神经指代形式选择模型,而其使用的英语和汉语表现出不同特点,其中汉语指代形式选择更取决于语境。
Oct, 2022
我们提出了一种统一的 REG 和 REC 模型 UniRef,它使用经过精心设计的图像 - 区域 - 文本融合层 (IRTF) 来融合图像、区域和文本,并提出了视觉条件的掩码语言建模 (VMLM) 和文本条件的区域预测 (TRP) 对 UniRef 模型进行预训练以更好地完成这两个高度相关的任务。
本文旨在在生成语言上考虑基于非神经网络模型的表现,以推广广义的自然语言生成技术,并在针对两个数据集的实验中发现,某些任务使用非神经网络模型能够比神经模型获得更好的性能。
Mar, 2022