ACLMay, 2020

句法引导的控制性近义语生成

PDF
TL;DR本文提出了一个用于句子重述生成的端到端框架语法引导控制重述生成（SGCP），它利用了源句子中的复杂语法信息以生成符合指定语法结构的新句子，并在多个真实世界的英语语言数据集上进行了自动化和人工评估以证明其有效性。
controlled text generationcomplex syntactic-guidanceparaphrase generationend-to-end frameworkautomated and human evaluations
发现论文，激发创造
  • 质量控制的释义生成

    该研究提出一种名为 QCPG 的控制质量的引号生成模型，该模型能够直接控制生成的引语的质量维度，并且还提供了一种方法来确定预期能够产生最优引语的质量控制空间中的点。实验表明，该模型能够生成保持原始含义的引语并且比未受控的基线具有更高的多样性。

    Mar, 2022

  • 在不使用已标注平行对的情况下生成句法控制的同义改写句

    本文提出了一种基于编码器 - 解码器的模型，名为 Syntactically controlled Paraphrase Generator (SynPG)，它可以从未注释的文本集合中学习将一句话的语义和语法分离的能力，从而生成语法各异的释义，而无需使用大量注释的释义对。自动评价和人工评价的实验结果表明，该模型在语法控制方面的表现优于无监督基线，同时生成的释义的质量也具有竞争力。同时，经过充分的训练，该模型的性能与有监督模型相媲美，甚至更好，使其生成的语法受控释义可以用于数据增强，以提高 NLP 模型的健壮性。

    Jan, 2021

  • 具备语法样例的可控释义生成

    本文提出一种新颖的任务，通过神经模块来控制句子的语法以及运用多任务训练的目标来提高表示学习，从而实现可控文本生成，并在基线实验的基础上实现性能的提升和捕捉理想特征。

    Jun, 2019

  • 句法控制释义网络生成对抗性样本

    通过建议句法控制的转述网络，生成对抗样例，数据来自大规模的回译，尝试指定目标句法，通过人工和自动化评估表明此系统可以发现还原目标规范且性能不亚于现有对照组，增强了对语法变化的鲁棒性。

    Apr, 2018

  • 神经文本生成的显式句法指导

    我们提出了一种基于句法树的语法引导生成模式，通过解码过程的两个部分:（1）对给定源句子中词汇化的句法上下文中的每个成分预测填充文本；（2）映射和扩展每个成分以构建下一级语法上下文以生成自然语言文本，并在重述生成和机器翻译上进行了实验。与自回归基线相比，该方法在有效性和可解释性方面更加出色。

    Jun, 2023

  • 使用抽象意义表示进行无监督句法控制的释义生成

    本研究提出了一种基于 AMR 的修改短语生成模型 (AMRPG)，该模型通过对抽象含义表示进行编码，从而在语法控制和短语生成质量方面显着提高了非监督学习方法的性能，并可用于数据增强以改善 NLP 模型的鲁棒性。

    Nov, 2022

  • 行动控制的改写

    通过引入操作令牌作为用户预期行为的表示，结合文本嵌入进行表示融合，以实现受控改写；实验结果表明，在不给定操作时，我们的方法能够成功实现特定操作受控的改写，并与传统的非受控方法保持相同甚至更好的性能，从而促进了面向用户的可选操作控制概念。

    May, 2024

  • 基于潜变量 PCFG 的语义分析生成改写

    为了弥合自然语言问题和知识库之间的词汇句法差距，本文提出了一种基于概率上下文无关语法抽样生成语义解析问题的语法模型，实现了自然语言问题向知识库查询的转换，提高了语义解析性能。

    Jan, 2016

  • 神经语法预排序控制释义生成

    本文从机器翻译的前置工作得到启发，使用句法变换软性 “重排序” 语句，辅助神经模型进行改写，从而增加生成的改写语句的多样性。

    May, 2020

  • 带自然语言指令的可控文本生成

    本文介绍了一种控制生成文本的框架 InstructCTG，通过自然语言描述和约束条件的演示，将各种内在约束条件融入预训练语言模型中，以达到对生成文本的控制和优化。

    Apr, 2023