EMNLPSep, 2021

基于句子重写和排序的文档级释义生成

PDF
TL;DR本文提出了一种基于 CoRPG（Coherence Relationship guided Paraphrase Generation）的方法，利用图形 GRU 编码一致性关系图并获取每个句子的一致性感知表示，用于重新排列多个（可能修改）输入句子，以生成更具多样性和语义保持的文档改写。
发现论文，激发创造
  • 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

  • 深度强化学习的释义生成

    本文提出了一种基于深度强化学习的新型 “生成器” 和 “评估器” 框架来生成给定句子的释义，实验证明此方法在自动评估和人类评估上都优于现有技术。

    Nov, 2017

  • 将释义推离原句：一种多次循环的释义生成方法

    本文提出了 BTmPG（Back-Translation guided multi-round Paraphrase Generation) 框架，通过多轮的改写和反向翻译保留语义信息来增加生成的改写句子与原始句子的差异性，并在人工评价和自动评价中证明了其提高了改写的多样性并保持了原始句子的语义。

    Sep, 2021

  • 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

  • 一个用于释义生成的深度生成框架

    本篇论文研究了一种使用深度生成模型（VAE）与序列到序列模型（LSTM）相结合的方法来自动生成给定句子的同义句，相对于现有方法具有更好的性能和简洁的模块化结构。

    Sep, 2017

  • 基于词典引导的编辑网络的释义生成

    本文提出了利用字典引导的编辑网络模型来生成同义句的方法，并在两个基准数据集上进行了实验，证明其比基线方法表现更好。

    Jun, 2018

  • 通过自动爬取和对齐的句子对进行神经重述

    本文介绍了一种基于语言约束的相似性搜索方法，用于自动产生大规模对齐语料库，以解决基于神经网络的释义生成面临的数据缺乏问题。该方法在意大利语的情况下进行评估，并使用基于指针的深度神经网络架构实验。

    Feb, 2024

  • 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

  • 利用上下文作为正则化器的 ConRPG: 意译生成

    本文提出了一种基于无监督范式的释义生成方法，思路基于生成相同含义的两个句子的概率应该相同，提出了一种由基于上下文语言模型生成释义候选项、使用评分函数进行候选项过滤、基于筛选的候选项进行释义模型训练的管道系统，并在不同任务和数据集上进行实验，表明该方法在有监督和无监督设置中均有效。

    Sep, 2021

  • 神经重述生成中的连续细化分解

    本文提出了一种连续分解的细粒度建模方法，名为 C-DNPG，并在句子编码过程中引入了 GA-Attention 机制，用于提高神经释义生成的效果。该方法在 Quora 问题和 Twitter 链接两个基准测试中都取得了显著的优势和最佳效果，并且在 qualitive 分析中表现良好。

    Sep, 2022