초록
최근 데이터 텍스트 생성에 대한 접근 방식들은 매우 성공적인 인코더-디코더 아키텍처 또는 그 변형을 채택하고 있다. 이러한 모델들은 유창한 텍스트(그러나 종종 정확도가 낮은)를 생성하지만, 적절한 내용을 선택하거나 일관된 순서로 구성하는 데 매우 부족한 성능을 보인다. 이러한 문제를 해결하기 위해, 전통적인 방법의 특징인 계획과 표면적 표현을 별도의 모듈로 분리하는 방식을 떠올리며, 매크로 계획 단계와 생성 단계를 거치는 신경망 모델을 제안한다. 매크로 계획은 실체, 사건 및 그 상호작용과 같은 중요한 내용의 고수준 조직을 나타내며, 데이터로부터 학습되어 생성기의 입력으로 제공된다. RotoWire와 MLB라는 두 가지 데이터 텍스트 벤치마크에서 실시한 광범위한 실험 결과, 자동 평가 및 인간 평가 모두에서 제안하는 방법이 경쟁적 기준 모델들을 상회함을 확인하였다.