[论文解读] Example-Based Optimization of Surface-Generation Tables

Christer Samuelsson|ArXiv.org|May 29, 1996

Natural Language Processing Techniques被引用 3

一句话总结

本文提出一种基于实例的方法，通过将逻辑语法反向化以优先考虑逻辑形式而非词串，从而优化自然语言生成中的表面生成表。利用LR编译技术，该方法支持带函数符合并的递归下降生成，显著缩小搜索空间，消除虚假非确定性，同时保持完备性，并根据训练样例自动平衡表大小与前瞻复杂度。

ABSTRACT

A method is given that "inverts" a logic grammar and displays it from the point of view of the logical form, rather than from that of the word string. LR-compiling techniques are used to allow a recursive-descent generation algorithm to perform "functor merging" much in the same way as an LR parser performs prefix merging. This is an improvement on the semantic-head-driven generator that results in a much smaller search space. The amount of semantic lookahead can be varied, and appropriate tradeoff points between table size and resulting nondeterminism can be found automatically. This can be done by removing all spurious nondeterminism for input sufficiently close to the examples of a training corpus, and large portions of it for other input, while preserving completeness.

研究动机与目标

• 通过从逻辑形式的角度重新组织语法，减少自然语言生成中表面生成表的搜索空间。
• 在保持完备性的前提下，消除生成过程中的虚假非确定性。
• 基于训练样例，实现表大小与语义前瞻复杂度之间的自动权衡。
• 通过函数符合并提升语义主干驱动生成的效率，模拟LR解析行为。
• 为自然语言生成系统中的表面实现提供一种可扩展、基于实例的优化方法。

提出的方法

• 该方法将逻辑语法反向化，从逻辑形式而非词串的角度表示语法。
• 应用LR编译技术，支持带函数符合并的递归下降生成，类似于LR解析中的前缀合并。
• 该方法采用可调节的语义前瞻，以平衡表大小与非确定性。
• 对于接近训练样例的输入，虚假非确定性被消除，对其他输入则显著降低。
• 系统在通过实例引导优化最小化生成表大小的同时，保持完备性。
• 优化过程实现自动化，支持在效率与表达力之间动态选择权衡点。

实验结果

研究问题

• RQ1 如何优化表面生成表以减少自然语言生成中的搜索空间？
• RQ2 LR编译技术能否被适配以实现在递归下降生成中的高效函数符合并？
• RQ3 在保持完备性的前提下，虚假非确定性能在多大程度上被消除？
• RQ4 如何基于训练样例自动平衡表大小与语义前瞻复杂度？
• RQ5 基于实例的逻辑语法反向化能否带来更高效、可扩展的表面实现？

主要发现

• 通过从逻辑形式角度重新组织语法，该方法显著缩小了搜索空间，提升了生成效率。
• 对于与训练样例相似的输入，虚假非确定性被消除，生成过程更加可预测且更快速。
• 对于其他输入，大量非确定性被消除，性能显著提升且不损失完备性。
• 系统能够自动识别表大小与前瞻复杂度之间的最优权衡点。
• 该方法在保持完备性的同时，实现了更小、更高效的生成表。
• LR编译技术的应用使得函数符合并方式与高效LR解析相似，提升了可扩展性。