ACLFeb, 2021

图到文本生成中的结构信息保留

PDF
TL;DR该研究提出通过使用自动编码损失的多任务训练的方法，从而在图到文本生成领域中更好地保存输入信息并提高性能，实验证明其优于现有基准模型。
graph-to-text generationautoencoding lossesmulti-task traininginput information preservationstate-of-the-art baseline
发现论文，激发创造
  • 用双图表示增强 AMR 到文本生成

    提出了一种新的基于图的序列模型，能够有效地对 AMR 图进行编码，借助不同的顶部和底部节点表示以及节点传递策略，实现了更好的文本生成表现，并在两个 AMR 数据集上达到了最先进的结果。

    Sep, 2019

  • AMR 到文本生成的结构神经编码器

    本文探讨了 AMR-to-text generation 在使用图编码器和树编码器处理 AMR 图时，对于包含多 parent nodes 的 reentrancies 的处理方式对生成文本的影响，并通过比较实验发现，对于 reentrancies 以及长距离依存的处理方式的改进可以提高图编码器的 BLEU 得分，最佳成绩分别在 LDC2015E86（24.40）和 LDC2017T10（24.54）上超过 state of the art。

    Mar, 2019

  • 基于 Transformer 建模图形结构以提升 AMR-to-Text 生成

    本文研究针对 AMR-to-text generation 的问题，提出了一种新颖的基于自注意力机制的模型，用于更好地模拟 AMR 图中间接连接概念之间的关系。通过实验在英语 AMR 基准数据集上展示了该模型明显优于现有模型的效果，成绩达到了该基准数据集的最好结果。

    Aug, 2019

  • 线性化图形到文本生成中的图形意识提升

    本文研究使用预训练 transformers 处理线性化的图输入，并探讨其编码局部图结构的能力和使用图去噪目标增强编码的解决方案对于在低资源环境下提高下游生成的效果。

    Dec, 2020

  • AMR 解析和生成的图形预训练

    本文研究了利用图形自监督训练来提高 PLMs 模型在 AMR 图结构上的结构意识； 它同时介绍了两种图形自编码策略，四个任务以及一个统一的框架来缩小预训练和微调任务之间的差距。实验结果表明了这种方法在 AMR 分析和 AMR-to-text 生成方面的优越性。

    Mar, 2022

  • AMR-to-Text 生成的在线反向解析

    本文提出一种新的 AMR-to-text 生成方法，通过在文本生成期间反向预测目标句子上的 AMR 图进行解码，相比于基于标准语言模型的解码器能更好地保留输入含义，并在两个 AMR 基准测试上显示了优越性。

    Oct, 2020

  • 面向 AMR 转文本生成的图到序列模型

    该论文介绍了一种神经网络模型，使用新颖 LSTM 结构直接编码图级别的语义信息，用于 AMR-to-text 生成任务，并在标准数据集上实现了优于现有方法的结果。

    May, 2018

  • 使用图形 transformer 从知识图谱生成文本

    本文介绍了一种新型图形转换编码器，可处理知识图谱等非层次性图形的内容，应用于科学文本领域的图 - 文本生成，评价结果表明，该技术可以产生比竞争的编码解码方法更具信息量且结构更好的文本。

    Apr, 2019

  • 具有属性控制的内容保留文本生成

    通过该研究，我们提出了一种能够修改文本内容以满足先决条件要求的模型，其通过建立重建和生成关系实现条件兼容和多属性控制。经过定量、定性和人类评估的验证，证明该模型与以往的方法相比，其生成了更加符合先决条件的流畅的句子。

    Nov, 2018

  • 基于 Transformer 的 AMR 解析中的图信息合并

    本文提出了 LeakDistill，通过使用结构适配器显式地将图形信息纳入到学习表示中，使用自知识蒸馏技术，无需使用额外数据就可以获得最先进的 AMR 解析性能。

    Jun, 2023