https://arxiv.org/pdf/1904.03396.pdf

Abstract

数据到文本的生成在概念上可以分为两部分：信息的排序和结构化（规划/计划），以及生成描述信息的流畅语言（实现）。现代神经生成系统将这两个步骤合并为一个简单的端到端可分系统。本文建议将生成过程分成一个忠实于输入的symbolic text-planning符号文本规划阶段，然后是一个只关注实现的神经生成阶段。

为了训练plan-to-text计划-文本生成器，本文提出了一种将参考文本与相应的文本规划相匹配的方法。对于推理时间，本文规定了一种为新输入选择高质量文本计划的方法。

在WebNLG基准上实现并评估了本文的方法。结果表明，将文本计划与神经实现分离确实提高了系统的可靠性和充分性，同时保持了流畅的输出。同时观察到BLEU分数和人工评估都有提高。本文的方法的另一个好处是能够输出同一输入的不同实现，为显示控制生成的文本结构铺平道路。

1. Introduction

为系统提供一组描述事实(实体及其之间的关系)的RDF三元组，并且必须产生对事实可信的流畅的文本。

三元组的例子：

John, birthPlace, London

John, employer, IBM

可能的输出：

  1. John, who was born in London, works for IBM.

其他可能的输出：

  1. John, who works for IBM, was born in London.

  2. London is the birthplace of John, who works for IBM.