基于转换的深度输入线性化

传统的深度自然语言生成（Deep NLG）方法通常采用流水线式架构，包含构建句法输入、预测功能词、句法输入线性化以及生成表面形式等多个阶段。尽管这类方法更易于理解与可视化，但其存在错误传播的问题，且各模块之间无法充分共享跨模块的信息。为此，我们构建了一种基于转移（transition-based）的模型，能够联合完成线性化、功能词预测与形态生成任务，相较于流水线基线系统显著提升了生成准确性。在一项标准的深度输入线性化共享任务中，我们的系统取得了迄今报道的最佳性能。