EMNLPSep, 2019

阅读、参考和评论：用于自动新闻评论的深度架构

PDF
TL;DR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。
automatic news comment generationnatural language generationread-attend-commentreading networkgeneration network
发现论文，激发创造
  • 自动文章评论：任务和数据集

    本文介绍了自动评论任务的提出和拥有数百万真实评论和人工标注的子集的大规模中文数据集，并开发了考虑评论质量与人类评估相关性的自动度量标准。

    May, 2018

  • 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

  • 利用用户生成数据学习评论生成

    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。

    Oct, 2018

  • 基于代码更改的自然语言注释更新学习

    本文提出一种通过学习不同的自然语言表征和代码表征之间的关系，生成一系列编辑操作来更新现有自然语言注释的方法，并在开源软件项目集合上进行多个实验和对比，结果表明该模型性能优于其他算法。

    Apr, 2020

  • 通过多次深入讨论实现自动评论生成

    DECOM 是一种多通道决策框架，用于自动生成代码评论，并通过评估模型检测评论的质量，实验结果证明 DECOM 产生的评论更可读、信息量更大和更有用。

    Sep, 2022

  • 用户评论内容的深度学习审核

    本文研究了希腊新闻门户网站的 160 万条用户评论和已有的英文维基百科评论数据集，发现使用循环神经网络（RNN）进行评论管理的表现超过了现有技术水平。此外，使用具有分类特定的注意机制的深度学习模型进一步提高了 RNN 的性能，同时还针对全自动和半自动管理情况与使用卷积神经网络（CNN）和词表技术的基准算法进行了比较。

    May, 2017

  • 使用视觉注意力的神经图像字幕生成

    该论文介绍了一种基于注意力机制的模型，通过机器翻译和物体检测实现图像内容的自动描述，通过最大化变分下界确定性训练该模型，并展示了该模型在生成输出序列时能够自动学习聚焦于显著物体。三个基准数据集上的性能表现也证明了该模型的有效性。

    Feb, 2015

  • 检索和优化：基于示例的神经评论生成

    本文提出了一种基于 IR 技术和模板的 API 注释生成方法。该方法将机器翻译模型迁移到注释生成任务中并且通过引入仅对模板执行的代码生成步骤，使模型更加准确。在 Java 程序员中取得了 state-of-the-art 的回归结果。

    Oct, 2020

  • 基于用户资料的个性化评论自动生成

    本文提出了社交媒体上自动生成个性化评论的任务，并基于微博上数万个用户的真实评论和用户画像，提出了 Personalized Comment Generation Network (PCGN) 模型来生成自然、类人的个性化评论。

    Jul, 2019