本文探讨了如何利用预训练语言模型进行Few-Shot NLG，并介绍了LogicNLG数据集，强调在文本生成中逻辑的重要性。此外，还提出了结构信息保留的Graph-to-Text生成方法和知识图谱增强的抽象概括，通过结合RoBERTa和GAT来改进文本生成效果，虽然未超过bart模型，但表现优于其他模型。
RDF2Text
Few-Shot NLG with Pre-Trained Language Model
Logical Natural Language Generation from Open-Domain Tables
构建了一个新的数据集 LogicNLG，它需要在标准的文本生成方法的基础上使用额外的逻辑。例如，需要使用一些比较和计数操作来纳入「1 more gold medal」或「most gold medals」等部分，这些部分会使得生成的文本更加自然和生动。
Structural Information Preserving for Graph-to-Text Generation
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
