要約
データからテキストへの生成は、概念的に情報の順序付けと構造化（プランニング）と、その情報を説明する流暢な言語の生成（リアライゼーション）の2つの部分に分けることができます。現代のニューラル生成システムでは、これらの2つのステップが1つのエンドツーエンドで微分可能なシステムに統合されています。私たちは、入力に忠実な記号的なテキストプランニング段階と、リアライゼーションにのみ焦点を当てるニューラル生成段階とに生成プロセスを分割することを提案します。プランニングからテキストへの生成器の学習のために、リファレンステキストと対応するテキストプランをマッチングする方法を提示します。推論時には、新しい入力に対して高品質なテキストプランを選択する方法について説明します。私たちのアプローチはWebNLGベンチマーク上で実装され評価されました。結果は、テキストプランニングとニューラルリアライゼーションを分離することで、システムの信頼性と適切性が向上し、流暢な出力を維持できることを示しています。BLEUスコアや手動評価においても改善が見られました。また、私たちのアプローチの別の利点として、同じ入力に対する多様なリアライゼーションを出力できることが挙げられます。これにより、生成されるテキスト構造に対する明確な制御が可能になります。