文本生成NLG

参考：https://www.jianshu.com/p/ffbd9abc5fff

NLG的常见形式

• text to text，如对话机器人
• data to text，如BI报告生成
• image to text，如图片自动描述

NLG的发展过程

• 简单的数据合并
• 模板化的 NLG
• 高级 NLG

NLG的6个步骤（传统处理方式）

• 第一步：内容确定 - Content Determination
  作为第一步，NLG 系统需要决定哪些信息应该包含在正在构建的文本中，哪些不应该包含。通常数据中包含的信息比最终传达的信息要多。

• 第二步：文本结构 - Text Structuring
  确定需要传达哪些信息后，NLG 系统需要合理的组织文本的顺序。例如在报道一场篮球比赛时，会优先表达「什么时间」「什么地点」「哪2支球队」，然后再表达「比赛的概况」，最后表达「比赛的结局」。

• 第三步：句子聚合 - Sentence Aggregation
  不是每一条信息都需要一个独立的句子来表达，将多个信息合并到一个句子里表达可能会更加流畅，也更易于阅读。

• 第四步：语法化 - Lexicalisation
  当每一句的内容确定下来后，就可以将这些信息组织成自然语言了。这个步骤会在各种信息之间加一些连接词，看起来更像是一个完整的句子。

• 第五步：参考表达式生成 - Referring Expression Generation|REG
  这个步骤跟语法化很相似，都是选择一些单词和短语来构成一个完整的句子。不过他跟语法化的本质区别在于“REG需要识别出内容的领域，然后使用该领域（而不是其他领域）的词汇”。

• 第六步：语言实现 - Linguistic Realisation
  最后，当所有相关的单词和短语都已经确定时，需要将它们组合起来形成一个结构良好的完整句子。

NLG技术汇总

1.传统方法

• 基于模版的NLG
• 基于树的NLG

2.基于语言模型

• Plan-Based NLG：语法树
• Class-Based LM：概率语言模型
• Phrase-Based
• Corpus based

3.基于深度学习

• RNN-Based LM
• Semantic Conditioned LSTM
• Structural NLG：seq2seq
• Contextual NLG：seq2seq，适合多轮对话
• Controlled Text Generation：基于GAN的NLG
• Transfer learning for NLG：用迁移学习做NLG