摘要

数据到文本生成可以概念上分为两个部分：信息的排序和结构化（规划）以及生成描述信息的流畅语言（实现）。现代神经生成系统将这两个步骤合并为一个端到端可微分的系统。我们提出将生成过程分解为一个忠实于输入的符号文本规划阶段，随后是一个专注于实现的神经生成阶段。为了训练从计划到文本的生成器，我们介绍了一种将参考文本与其对应的文本计划匹配的方法。在推理阶段，我们描述了一种为新输入选择高质量文本计划的方法。我们在WebNLG基准上实现了我们的方法并进行了评估。结果表明，将文本规划与神经实现解耦确实提高了系统的可靠性和充分性，同时保持了流畅的输出。我们在BLEU分数和人工评估中都观察到了改进。此外，我们的方法还能够输出同一输入的不同实现形式，为生成文本结构提供了显式的控制能力。