論文の概要: GGP: A Graph-based Grouping Planner for Explicit Control of Long Text Generation

• arxiv url: http://arxiv.org/abs/2108.07998v1
• Date: Wed, 18 Aug 2021 06:55:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-19 14:45:23.133690
• Title: GGP: A Graph-based Grouping Planner for Explicit Control of Long Text Generation
• Title（参考訳）: ggp: 長文生成を明示的に制御するグラフベースのグループ化プランナ
• Authors: Xuming Lin, Shaobo Cui, Zhongzhou Zhao, Wei Zhou, Ji Zhang, Haiqing Chen
• Abstract要約: 長文生成のためのグラフベースのグループ化プランナを提案する。 GGPはキーフレーズをインスタンスレベルのシーケンシャル表現とコーパスレベルのグラフベースの表現にエンコードする。 我々は3つの長文生成データセットの実験を行い、実験結果からGGPがベースラインを大幅に上回っていることが明らかとなった。
• 参考スコア（独自算出の注目度）: 14.11365352130183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing data-driven methods can well handle short text generation. However, when applied to the long-text generation scenarios such as story generation or advertising text generation in the commercial scenario, these methods may generate illogical and uncontrollable texts. To address these aforementioned issues, we propose a graph-based grouping planner(GGP) following the idea of first-plan-then-generate. Specifically, given a collection of key phrases, GGP firstly encodes these phrases into an instance-level sequential representation and a corpus-level graph-based representation separately. With these two synergic representations, we then regroup these phrases into a fine-grained plan, based on which we generate the final long text. We conduct our experiments on three long text generation datasets and the experimental results reveal that GGP significantly outperforms baselines, which proves that GGP can control the long text generation by knowing how to say and in what order.
• Abstract（参考訳）: 既存のデータ駆動手法は、短いテキスト生成をうまく処理できる。 しかし、ストーリー生成や広告テキスト生成といった長文生成シナリオに適用すると、これらの手法は非論理的で制御不能なテキストを生成する可能性がある。 上記の問題に対処するために、第一計画列生成のアイデアに従うグラフベースのグループプランナ(GGP)を提案する。 具体的には、キーフレーズの集合が与えられると、ggpはまずこれらのフレーズをインスタンスレベルのシーケンシャル表現とコーパスレベルのグラフベースの表現にエンコードする。 これら2つの相乗的表現を用いて、これらのフレーズを細かなプランに分類し、最後の長文を生成する。 我々は, 3つの長文生成データセットについて実験を行い, 実験結果から, ggpがベースラインを著しく上回っており, ggpが長文生成を制御できることが判明した。

関連論文リスト

• Ontology-Free General-Domain Knowledge Graph-to-Text Generation Dataset Synthesis using Large Language Model [4.474834288759608]
  Graph-to-Text(G2T)生成は構造化グラフを自然言語に言語化する。 高品質な一般ドメインG2T生成データセットの不足は、一般ドメインG2T生成研究の進展を制限する。 ウィキペディアオントロジーフリーグラフテキストデータセット(WikiOFGraph)を紹介する。
  論文  参考訳（メタデータ） (2024-09-11T08:16:20Z)
• From the One, Judge of the Whole: Typed Entailment Graph Construction with Predicate Generation [69.91691115264132]
  Entailment Graphs (EG) は、自然言語における文脈に依存しないentailment関係を示すために構築される。 本稿では,この問題に対処する多段階型述語グラフ生成器(TP-EGG)を提案する。 ベンチマークデータセットの実験では、TP-EGGは高品質でスケール制御可能なエンターメントグラフを生成することができる。
  論文  参考訳（メタデータ） (2023-06-07T05:46:19Z)
• Sequentially Controlled Text Generation [97.22539956688443]
  GPT-2は、驚くほど人間らしく、長い文書が混ざり合ったり、人間のような文章構造に従わなかったりする文を生成する。 本研究では,長距離テキストにおける命令構造の問題について検討する。 生成と編集が可能な逐次制御型テキスト生成パイプラインを開発した。
  論文  参考訳（メタデータ） (2023-01-05T21:23:51Z)
• RSTGen: Imbuing Fine-Grained Interpretable Control into Long-FormText Generators [26.27412809287025]
  RSTGenは、生成されたテキストの談話構造、セマンティクス、トピックを制御するフレームワークである。 オープンジェネレーション評価において、生成したテキストの構造的言論と意味的特徴を制御できるモデルの能力を実証する。
  論文  参考訳（メタデータ） (2022-05-25T09:06:04Z)
• Event Transition Planning for Open-ended Text Generation [55.729259805477376]
  オープンエンドテキスト生成タスクは、事前コンテキストに制限されたコヒーレントな継続を生成するためにモデルを必要とする。 オープンエンドテキスト生成におけるイベントを明示的にアレンジする新しい2段階手法を提案する。 我々のアプローチは、特別に訓練された粗大なアルゴリズムとして理解することができる。
  論文  参考訳（メタデータ） (2022-04-20T13:37:51Z)
• Data-to-text Generation with Variational Sequential Planning [74.3955521225497]
  非言語的な入力からテキスト出力を生成することを目的としたデータ・ツー・テキスト生成の課題について考察する。 協調的かつ有意義な方法で高レベルの情報を整理する責任を負う計画要素を付加したニューラルモデルを提案する。 我々は、計画と生成のステップをインターリーブしながら、構造化された変動モデルで逐次、潜在計画を推測する。
  論文  参考訳（メタデータ） (2022-02-28T13:17:59Z)
• Outline to Story: Fine-grained Controllable Story Generation from Cascaded Events [39.577220559911055]
  長文のきめ細かい制御が可能な生成のためのテストベッドとして,"Outline to Story" (O2S) という新しいタスクを提案する。 次に、最新のキーワード抽出技術で構築された将来のベンチマーク用のデータセットを作成します。
  論文  参考訳（メタデータ） (2021-01-04T08:16:21Z)
• Summarize, Outline, and Elaborate: Long-Text Generation via Hierarchical Supervision from Extractive Summaries [46.183289748907804]
  長文生成のためのアウトライン化,アウトライン化,エラボレートを行うパイプラインシステムSOEを提案する。 SOEは、より高速な収束速度とともに、非常に優れた品質の長いテキストを生成する。
  論文  参考訳（メタデータ） (2020-10-14T13:22:20Z)
• Select, Extract and Generate: Neural Keyphrase Generation with Layer-wise Coverage Attention [75.44523978180317]
  本稿では,2つの主要成分からなるニューラルキーフレーズ生成モデルであるemphSEG-Netを提案する。 科学的およびWeb文書から得られた7つのキーフレーズ生成ベンチマークの実験結果は、SEG-Netが最先端のニューラル生成手法よりも大きなマージンで優れていることを示している。
  論文  参考訳（メタデータ） (2020-08-04T18:00:07Z)
• POINTER: Constrained Progressive Text Generation via Insertion-based Generative Pre-training [93.79766670391618]
  ハードコントラストテキスト生成のための新しい挿入ベースアプローチであるPOINTERを提案する。 提案手法は,既存のトークン間で段階的に新しいトークンを並列に挿入することによって動作する。 結果として生じる粗大な階層構造は、生成プロセスを直感的で解釈可能である。
  論文  参考訳（メタデータ） (2020-05-01T18:11:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。