コンテンツマッチング制約を用いた忠実なニューラルテーブルtoテキスト生成

知識ベースからのテキスト生成は、知識トリプルを自然言語による記述に変換することを目的としている。既存の大多数の手法は、生成されたテキスト記述と元のテーブルとの間の忠実性（faithfulness）を無視しており、結果としてテーブルの内容を越えた情報を生成してしまう傾向がある。本論文では、初めてTransformerに基づく新しい生成フレームワークを提案し、この課題に取り組む。本手法の忠実性を確保するための核心技術として、新たなテーブル-テキスト最適輸送マッチング損失（table-text optimal-transport matching loss）と、Transformerモデルに基づくテーブル-テキスト埋め込み類似性損失（embedding similarity loss）を導入している。さらに、忠実性の評価のために、テーブルからテキストへの生成問題に特化した新しい自動評価指標を提案する。実験では、モデルの各構成要素について詳細な分析を実施している。自動評価および人間評価の結果から、本フレームワークが最先端手法を大きく上回ることを示した。