【PaperReading】Text Generation from Knowledge Graphs with Graph Transformers

镰刀韭菜

已于 2022-10-14 13:10:35 修改

阅读量3.1k

点赞数 5

CC 4.0 BY-SA版权

分类专栏： PaperReading 文章标签：知识图谱文本生成图学习信息提取编码解码

于 2020-02-09 22:17:00 首次发布

本文链接：https://blog.youkuaiyun.com/ARPOSPF/article/details/104241533

PaperReading 专栏收录该内容

65 篇文章 ¥49.90 ¥99.00

订阅专栏

超级会员免费看

本文提出了一种新的图转换编码器GraphWriter，它使用图注意力网络扩展Transformer，以处理信息提取系统生成的知识图谱，进行多句文本生成。在科学文本摘要数据集AGENDA上的实验表明，该模型能够生成更具信息性和结构连贯性的文本，优于传统的编码解码方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Text Generation from Knowledge Graphs with Graph Transformers

基于图转换器从知识图谱中生成文本

Rik Koncel-Kedziorski1 , Dhanush Bekal1 , Yi Luan1 , Mirella Lapata2 , and Hannaneh Hajishirzi1,3
1University of Washington {kedzior,dhanush,luanyi,hannaneh}@uw.edu
2University of Edinburgh mlap@inf.ed.ac.uk
3Allen Institute for Artificial Intelligence

摘要：生成表达跨越多个句子的复杂思想的文本需要对其内容进行结构化表示，但是手工生成这些表示非常昂贵。在这项工作中，我们解决了从一个信息提取系统的输出，特别是一个知识图谱生成连贯的多句文本的问题。图形化知识表示在计算中是普遍存在的，但由于其非层次性、远程依赖关系的崩溃和结构的多样性，给文本生成技术带来了巨大的挑战。本文介绍了一种新的图形转换编码器，它可以利用这些知识图谱的关系结构，而不需要施加线性化或层次约束。结合编解码器的设置，我们提供了一个端到端可训练的系统，用于生成应用于科学文本领域的图形到文本的生成。自动和人工评估表明，我们的技术产生了更多的信息文本，显示出更好的文档结构比竞争的编译码方法。