TAILIEUCHUNG - Báo cáo khoa học: "Concept-to-text Generation via Discriminative Reranking"

This paper proposes a data-driven method for concept-to-text generation, the task of automatically producing textual output from non-linguistic input. A key insight in our approach is to reduce the tasks of content selection (“what to say”) and surface realization (“how to say”) into a common parsing problem. | Concept-to-text Generation via Discriminative Reranking loannis Konstas and Mirella Lapata Institute for Language Cognition and Computation School of Informatics University of Edinburgh 10 Crichton Street Edinburgh EH8 9AB mlap@ Abstract This paper proposes a data-driven method for concept-to-text generation the task of automatically producing textual output from non-linguistic input. A key insight in our approach is to reduce the tasks of content selection what to say and surface realization how to say into a common parsing problem. We define a probabilistic context-free grammar that describes the structure of the input a corpus of database records and text describing some of them and represent it compactly as a weighted hypergraph. The hypergraph structure encodes exponentially many derivations which we rerank discriminatively using local and global features. We propose a novel decoding algorithm for finding the best scoring derivation and generating in this setting. Experimental evaluation on the ATIS domain shows that our model outperforms a competitive discriminative system both using BLEU and in a judgment elicitation study. 1 Introduction Concept-to-text generation broadly refers to the task of automatically producing textual output from non-linguistic input such as databases of records logical form and expert system knowledge bases Reiter and Dale 2000 . A variety of concept-to-text generation systems have been engineered over the years with considerable success . Dale et al. 2003 Reiter et al. 2005 Green 2006 Turner et al. 2009 . Unfortunately it is often difficult to adapt them across different domains as they rely mostly on handcrafted components. 369 In this paper we present a data-driven approach to concept-to-text generation that is domainindependent conceptually simple and flexible. Our generator learns from a set of database records and textual descriptions for some of them . An example from the air travel .

• Báo cáo khoa học
• Concept to text Generation
• Discriminative Reranking
• Ioannis Konstas and Mirella Lapata
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball