Daten-zu-Text-Generierung
Data-to-Text Generierung ist ein klassisches Problem im Bereich der natürlichen Sprachverarbeitung, das darauf abzielt, strukturierte Daten in flüssigen und genauen natürlichen Sprachtext umzuwandeln. Diese Aufgabe beinhaltet nicht nur die Auswahl geeigneter Inhalte aus den Eingabedaten zur Beschreibung, sondern erfordert auch die Anwendung von Oberflächenrealisierungstechniken, um natürliche und kohärente Ausdrücke zu generieren, die den Anforderungen verschiedener Anwendungsszenarien gerecht werden, wie zum Beispiel automatisierte Berichtserstellung, Wettervorhersagen und Nachrichtenzusammenfassungen.
WebNLG
Control Prefixes (A1, T5-large)
E2E NLG Challenge
S_1^R
WebNLG Full
Cleaned E2E NLG Challenge
DataTuner_FC
RotoWire
HierarchicalEncoder + NR + IR
RotoWire (Relation Generation)
Macro
ToTTo
T5-3B
XAlign
MULTIWOZ 2.1
T5-Base
RotoWire (Content Ordering)
Hierarchical Transformer Encoder + conditional copy
Rotowire (Content Selection)
Hierarchical Transformer Encoder + conditional copy
MLB Dataset (Relation Generation)
Macro
MLB Dataset
Macro
MLB Dataset (Content Ordering)
Macro
Czech Restaurant NLG
MLB Dataset (Content Selection)
DART
T5-B Baseline
E2E
self-mem + new data (random)
SR11Deep
Transition based Deep Input Linearization
ViGGO
DataTuner_FC
WebNLG en
WebNLG ru
AMR3.0
StructAdapt
GenWiki
WikiOFGraph
T5-large
Wikipedia Person and Animal Dataset