내용 매칭 제약을 통한 신뢰할 수 있는 신경망 테이블-텍스트 생성

지식 기반에서의 텍스트 생성은 지식 삼항조를 자연어 설명으로 변환하는 것을 목표로 한다. 기존 대부분의 방법들은 생성된 텍스트 설명과 원본 테이블 간의 충실도(즉, 사실성)를 무시하여, 테이블의 내용을 초월하는 정보를 생성하는 문제가 발생한다. 본 논문에서는 처음으로 이 목표를 달성하기 위한 새로운 Transformer 기반 생성 프레임워크를 제안한다. 본 방법의 핵심 기술로는 기존의 테이블-텍스트 최적 운반 매칭 손실( optimal-transport matching loss)의 새로운 형태와 Transformer 모델 기반의 테이블-텍스트 임베딩 유사도 손실을 도입하여 충실도를 강제하는 기법이 포함된다. 더불어 충실도 평가를 위해 테이블에서 텍스트로의 생성 문제에 특화된 새로운 자동 평가 지표를 제안한다. 실험을 통해 모델의 각 구성 요소에 대한 상세한 분석을 제공하며, 자동 평가 및 인공 평가 결과는 제안하는 프레임워크가 기존 최고 수준의 방법들에 비해 큰 차이로 우수한 성능을 보임을 입증한다.