[论文解读] Content Selection in Data-to-Text Systems: A Survey

Dimitra Gkatzia|arXiv (Cornell University)|Oct 26, 2016

Web Data Mining and Analysis参考文献 71被引用 7

一句话总结

本综述全面概述了数据到文本系统中的内容选择，重点关注时间序列数据（如传感器、天气和股票市场数据）。它评估了基于规则的方法与可训练方法（统计/机器学习）的优劣，根据领域规模、数据可用性和用户需求，突出其优势、局限性及适用性，并提出了适用于自适应、多模态和不确定性感知NLG系统的决策框架与未来研究方向。

ABSTRACT

Data-to-text systems are powerful in generating reports from data automatically and thus they simplify the presentation of complex data. Rather than presenting data using visualisation techniques, data-to-text systems use natural (human) language, which is the most common way for human-human communication. In addition, data-to-text systems can adapt their output content to users' preferences, background or interests and therefore they can be pleasant for users to interact with. Content selection is an important part of every data-to-text system, because it is the module that determines which from the available information should be conveyed to the user. This survey initially introduces the field of data-to-text generation, describes the general data-to-text system architecture and then it reviews the state-of-the-art content selection methods. Finally, it provides recommendations for choosing an approach and discusses opportunities for future research.

研究动机与目标

• 提供数据到文本生成中内容选择方法的统一、最新综述，尤其针对时间序列数据。
• 解决从复杂、领域特定数据中确定应包含在文本摘要中的信息这一挑战。
• 根据领域规模、数据可用性和系统目标，指导研究人员和实践者选择合适的内容选择方法。
• 识别自适应、多模态和不确定性感知NLG系统中的开放研究问题。
• 支持新手与资深研究人员在计算语言学、人工智能和数据挖掘等多样化文献中导航。

提出的方法

• 将内容选择方法分为两大类：基于规则的系统与可训练（统计/机器学习）方法。
• 分析依赖手工规则进行内容选择的基于规则系统，强调其鲁棒性与领域特异性。
• 回顾从标注语料中学习内容选择的可训练方法，突出其可扩展性与对专家知识需求的降低。
• 提出一个决策框架，包含关于领域规模、数据可用性和评估需求的核心问题，以指导方法选择。
• 讨论NLG系统中用户偏好与适应性的整合，强调以用户为中心的设计。
• 考察结合文本与视觉数据的多模态方法，以及迁移学习与不确定性建模在NLG中的潜力。

实验结果

研究问题

• RQ1 在数据到文本系统中，基于规则与可训练方法在内容选择方面的主要差异与权衡是什么？
• RQ2 如何使内容选择在数据到文本生成中适应用户偏好、背景或兴趣？
• RQ3 在涉及人类用户的情况下，内容选择在数据到文本系统中最有效的评估策略是什么？
• RQ4 如何将内容选择模型跨领域迁移或适配到新语言？
• RQ5 结合文本与视觉信息以提升数据摘要的挑战与机遇是什么？

主要发现

• 基于规则的内容选择系统在小型、定义明确的领域中具有鲁棒性与可解释性，但构建成本高，且难以在不同领域间迁移。
• 可训练方法具备可扩展性、可重用性与较低的开发成本，但需要大规模高质量训练数据，若数据不足则存在生成不连贯内容的风险。
• 内容选择本质上具有领域依赖性，通用模型仍是挑战，尽管迁移学习为此提供了有希望的解决路径。
• 结合文本与视觉数据（如图表）的多模态系统相比单模态系统能更有效地支持决策，表明混合NLG系统具有强大潜力。
• 由于金融与天气等领域中不确定性数据普遍存在，亟需能够有效在生成文本中传达不确定性的方法。
• 评估应尽可能包含真实用户参与，且方法选择必须与系统的用途、领域及可用知识源保持一致。