摘要
表格到文本生成旨在自动生成自然语言文本，帮助用户便捷地获取表格中的关键信息。尽管现有的神经网络模型在表格到文本生成任务上已取得显著进展，但仍存在一些被忽视的问题。以往的方法无法基于实体（如球员或球队）的表现及其之间的关系推导出事实性结论。为解决这一问题，我们首先从输入表格构建实体图谱，并引入一个推理模块在图谱上执行推理。此外，不同维度的记录之间存在多种关系（如数值大小关系和重要性关系），这些关系可能有助于提升数据到文本的生成质量。然而，传统的编码器难以有效捕捉这些复杂关系。为此，我们提出引入两个辅助任务——数值排序（Number Ranking, NR）和重要性排序（Importance Ranking, IR），以监督编码器学习并建模这些差异化的语义关系。在ROTOWIRE和RW-FG数据集上的实验结果表明，所提方法不仅具备良好的泛化能力，且在多个评价指标上优于先前方法，包括BLEU、内容选择（Content Selection）和内容排序（Content Ordering）。