論文の概要: Natural Language Generation

• arxiv url: http://arxiv.org/abs/2502.14437v1
• Date: Thu, 20 Feb 2025 10:41:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 14:28:06.224073
• Title: Natural Language Generation
• Title（参考訳）: 自然言語生成
• Authors: Ehud Reiter,
• Abstract要約: この本は、技術、ユーザ要求、評価、現実世界のアプリケーションを含む、自然言語生成(NLG)の幅広い概要を提供する。 この本は、NLGの研究者、NLGを使いたい他の分野の人々、商用開発者など、応用されたNLGに取り組んでいる人々にとって特に有用であるべきです。
• 参考スコア（独自算出の注目度）: 5.943325136516882
• License:
• Abstract: This book provides a broad overview of Natural Language Generation (NLG), including technology, user requirements, evaluation, and real-world applications. The focus is on concepts and insights which hopefully will remain relevant for many years, not on the latest LLM innovations. It draws on decades of work by the author and others on NLG. The book has the following chapters: Introduction to NLG; Rule-Based NLG; Machine Learning and Neural NLG; Requirements; Evaluation; Safety, Maintenance, and Testing; and Applications. All chapters include examples and anecdotes from the author's personal experiences, and end with a Further Reading section. The book should be especially useful to people working on applied NLG, including NLG researchers, people in other fields who want to use NLG, and commercial developers. It will not however be useful to people who want to understand the latest LLM technology. There is a companion site with more information at https://ehudreiter.com/book/
• Abstract（参考訳）: この本は、技術、ユーザ要求、評価、現実世界のアプリケーションを含む、自然言語生成(NLG)の幅広い概要を提供する。 LLMの最新技術ではなく、概念と洞察に焦点が当てられている。 NLGに関する著者らによる何十年にもわたっての作業に頼っている。 本書には,NLG入門,ルールベースNLG,マシンラーニングとニューラルNLG,要件,評価,安全性,メンテナンス,テスト,アプリケーションという章がある。 すべての章には、著者の個人的な経験の例や逸話が含まれており、さらに読み上げのセクションで終わる。 この本は、NLGの研究者、NLGを使いたい他の分野の人々、商用開発者など、応用されたNLGに取り組んでいる人々にとって特に有用であるべきです。 しかし、最新のLLM技術を理解したい人には役に立ちません。 詳細はhttps://ehudreiter.com/book/にある。

関連論文リスト

• Beyond Generative Artificial Intelligence: Roadmap for Natural Language Generation [0.0]
  本稿では,自然言語処理分野(NLP)とそのサブフィールド自然言語生成分野(NLG)に焦点を当てる。 LLMファミリーの中では、人気のあるGPT-4、Bard、より具体的にはChatGPTのようなツールがある。 このシナリオは、NLGの次のステップと、新たな課題に対処するために、フィールドをどのように適応し、進化させるかについて、新たな疑問を提起する。
  論文  参考訳（メタデータ） (2024-07-15T09:07:07Z)
• User Modeling in the Era of Large Language Models: Current Research and Future Directions [26.01029236902786]
  ユーザモデリング(UM)は、特定のユーザに関するユーザデータからパターンを発見し、表現を学ぶことを目的としている。 データは通常、大量のユーザ生成コンテンツ(UGC)とオンラインインタラクションを含むため、テキストとグラフの2つの一般的なタイプのユーザデータである。 近年,大規模言語モデル (LLM) はテキストデータの生成,理解,推論において優れた性能を示している。
  論文  参考訳（メタデータ） (2023-12-11T03:59:36Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• G-Eval: NLG Evaluation using GPT-4 with Better Human Alignment [64.01972723692587]
  本稿では,大規模言語モデルにチェーン・オブ・シント(CoT)を組み込んだフレームワークであるG-Evalと,NLG出力の品質評価のためのフォームフィリングパラダイムを提案する。 GPT-4 をバックボーンモデルとした G-Eval は,要約タスクにおいて,0.514 と人間とのスピアマン相関を達成し,従来手法の差を大きく上回ることを示す。
  論文  参考訳（メタデータ） (2023-03-29T12:46:54Z)
• Harnessing Knowledge and Reasoning for Human-Like Natural Language Generation: A Brief Review [18.353155826882336]
  我々は,言語生成を通して人間のような推論を伝達するために,NLGが知識によってガイドされることの重要性を探求する。 知的NLGシステムのための10の目標を提案し,知識と推論によって導かれるNLG技術の成果を概観した。
  論文  参考訳（メタデータ） (2022-12-07T16:18:19Z)
• A Survey of Knowledge Enhanced Pre-trained Language Models [78.56931125512295]
  我々は、知識強化事前学習言語モデル(KE-PLMs)の包括的なレビューを行う。 NLUでは、言語知識、テキスト知識、知識グラフ(KG)、ルール知識の4つのカテゴリに分類する。 NLGのKE-PLMは、KGベースと検索ベースに分類される。
  論文  参考訳（メタデータ） (2022-11-11T04:29:02Z)
• Understanding EFL Student Idea Generation Strategies for Creative Writing with NLG Tools [25.474415130999244]
  自然言語生成(英: Natural Language generation、NLG)は、人工知能において、コンピュータシステムが情報から人間の理解可能な言語テキストを生成する過程である。 本研究では、NLGツールを用いたアイデア検索において、英語を外国語(EFL)の学生として採用する戦略について検討する。 学生は、NLGツールが生成したアイデアに対するいくつかの嫌悪感を示し、さらに多くのアイデアを生み出したNLGツールを選択した。
  論文  参考訳（メタデータ） (2022-06-04T09:11:38Z)
• Neural Approaches to Conversational Information Retrieval [94.77863916314979]
  会話情報検索(CIR)システムは、会話インタフェースを備えた情報検索(IR)システムである。 近年のディープラーニングの進歩により、自然言語処理(NLP)と会話型AIが大幅に改善されている。 この本は、ここ数年で開発された神経アプローチに焦点を当てた、CIRの最近の進歩を調査します。
  論文  参考訳（メタデータ） (2022-01-13T19:04:59Z)
• GLGE: A New General Language Generation Evaluation Benchmark [139.25515221280767]
  General Language Generation Evaluation (GLGE)は、NLGモデルの一般化能力を評価するための新しいマルチタスクベンチマークである。 NLGモデルにおける事前学習と伝達学習の研究を促進するため、GLGEを一般公開し、強力なベースラインを持つリーダーボードを構築する。
  論文  参考訳（メタデータ） (2020-11-24T06:59:45Z)
• Evaluation of Text Generation: A Survey [107.62760642328455]
  本稿は,ここ数年で開発された自然言語生成システムの評価手法について調査する。 我々は,NLG評価手法を,(1)人間中心評価指標,(2)訓練を必要としない自動評価指標,(3)機械学習指標の3つのカテゴリに分類した。
  論文  参考訳（メタデータ） (2020-06-26T04:52:48Z)

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。