自然语言生成——如何超越模板答案

【问题标题】：Natural Language Generation - how to go beyond templates自然语言生成——如何超越模板
【发布时间】：2017-05-24 13:35:32
【问题描述】：

我们已经构建了一个系统，可以分析一些数据并以简单的英语输出一些结果（即没有图表等）。当前的实现依赖于大量模板和一些随机化，以便为文本提供尽可能多的多样性。

我们希望切换到更高级的内容，希望生成的文本不那么重复，听起来不那么机械。我在谷歌上搜索了很多，但我找不到具体的开始。有什么想法吗？

编辑：提供给 NLG 机制的数据采用 JSON 格式。这是一个关于网络分析数据的例子。 json 文件可能包含例如一个指标（例如访问量）、它在过去 X 天内的值、最后一个值是否是预期的以及哪些维度（例如国家或营销渠道）影响了它的变化。

当前的实现可能是这样的：

主要来自 ABC 电子邮件活动的英国总访问量达到 10K（+20% DoD），比预期值高 10%。用户主要登陆 XXX 页面，而不同设备的增长是一致的。

我们正在寻找一种方法来减少对模板的依赖，听起来更自然并增加词汇量。

【问题讨论】：

那么您使用的是哪种数据，这些结果是什么样的？你是想要更自然的句子，还是只是想用词汇来混合事物？
@patrick 编辑了我上面的帖子
这是一个相当广泛的问题，所以我不确定它是否适合 Stack Overflow。也就是说，为什么您特别想摆脱模板？更多的模板不是有助于听起来更自然，增加词汇量，同时保持易于维护和可测试性吗？

标签： text nlp nlg

【解决方案1】：

您正在寻找的是一个热门的研究领域和一项相当艰巨的任务。目前还没有办法生成 100% 有意义的多样化和自然的句子。生成句子的一种方法是使用 n-gram。使用这些方法，您可以生成看起来更自然和多样化的句子，这些句子可能看起来不错，但可能毫无意义且语法不正确。一种更新的方法是使用深度学习。无论如何，如果你想生成有意义的句子，也许你最好的方法是使用你当前的基于模板的方法。您可以在此处找到有关基于 n-gram 的 NLG 基础知识的介绍： Generating Random Text with Bigrams

这个工具听起来可以实现一些最著名的自然语言生成技术：simplenlg

【讨论】：

【解决方案2】：

您是否尝试过神经网络，尤其是 LSTM 和 GRU 架构？这些模型是预测单词序列的最新进展。生成自然语言意味着生成一个单词序列，使其对输入和序列中的较早单词有意义。这相当于预测时间序列。 LSTM 专为预测时间序列而设计。因此，它通常用于在给定输入序列、输入单词或任何其他可以嵌入向量中的输入的情况下预测单词序列。

Tensorflow、Keras 和 Torch 等深度学习库都具有序列到序列的实现，可用于通过预测给定输入的单词序列来生成自然语言。

请注意，通常这些模型需要大量的训练数据。

您需要满足两个条件才能从此类模型中受益：

您应该能够将输入表示为向量。
您需要相对大量的输入/目标对。

【讨论】：

创建如此大量的输入/目标对实际上是不可行的。我还需要一些不那么黑匣子的东西。