本文综述了神经文本生成领域的最新进展和未来方向,包括数据构造、神经框架、训练和推理策略以及评估指标等方面。
Mar, 2022
该文章调查了近年来开发的自然语言生成(NLG)系统的评估方法。将 NLG 评估方法分为三类,讨论了每种类别取得的进展和仍然面临的挑战,重点关注最近提出的 NLG 任务和神经 NLG 模型的评估。最后提出了自动文本摘要和长文本生成的两个任务特定的 NLG 评估示例,并提出了未来的研究方向。
Jun, 2020
该研究论文系统梳理了存在于神经语言生成技术中的问题,并分别从文本生成任务、方法和评估度量指标三个方面,详细阐述了约束条件和条件约束这两种情况,并总结了当前约束神经语言生成技术的研究进展和面临的主要挑战,以期提高该领域的技术水平。
Jun, 2022
本文系统调查了近期神经文本生成模型的发展,并在两个着名数据集上进行基准实验,讨论其性质和实践结果。
Mar, 2018
本文调查了神经元数据到文本生成的方法、基准数据集和评估协议,突出了技术应用阶段及其在自然语言生成领域中的前景。
Jul, 2022
本文综述了预训练语言模型在文本生成方面的主要进展,包括模型结构、输入数据的适配以及重要的微调策略。对于文本生成研究者而言,该综述提供了相关研究的综合和指引。
May, 2021
文本生成领域的文献回顾研究了 244 篇论文,将文本生成的工作分类为五个主要任务,并分析了相关特点、子任务和具体挑战。此外,研究还评估了目前的评估方法,并确定存在的问题。研究指出了九个主要挑战,并提供了详细分析和解决方案,以及进一步研究需求。该文献回顾面向自然语言处理领域的初级研究人员和有经验的研究人员。
May, 2024
本文概述了过去十年内有关自然语言生成方法在帮助广告商增加他们发布的在线广告数量上取得有效结果的研究动向,从基于模板的、抽取的到使用神经网络的生成方法。讨论了在此过程中出现的关键挑战和方向,包括指标优化、忠实度、多样性、多模式以及基准数据集的发展。
Jun, 2023
本文调查了自然语言生成的现状,包括核心任务、架构、新研究主题、评估挑战和与人工智能领域的协同作用。
Mar, 2017
本教程关注于文本生成,这是一类自然语言生成任务,它以一段文本作为输入,然后生成一篇按照某些特定标准(如可读性或语言风格)改进的修订版本,同时保留原版文本的大部分含义和长度。
Oct, 2023