[论文解读] Persuasive Natural Language Generation -- A Literature Review

Sebastian Dürr, Peter A. Gloor|arXiv (Cornell University)|Jan 14, 2021

Advanced Text Analysis Techniques参考文献 20被引用 12

一句话总结

本篇文献综述通过分析5个以业务为导向的类别——善意、语言得体性、逻辑论证、可信度以及工具/数据集——共77项研究，探讨了说服性自然语言生成（NLG）技术。研究提出了一项研究议程，旨在通过基于说服理论和现有数据集的结构化、基于证据的设计原则，推动NLG系统在提升信息说服力方面的发展。

ABSTRACT

This literature review focuses on the use of Natural Language Generation (NLG) to automatically detect and generate persuasive texts. Extending previous research on automatic identification of persuasion in text, we concentrate on generative aspects through conceptualizing determinants of persuasion in five business-focused categories: benevolence, linguistic appropriacy, logical argumentation, trustworthiness, tools and datasets. These allow NLG to increase an existing message's persuasiveness. Previous research illustrates key aspects in each of the above mentioned five categories. A research agenda to further study persuasive NLG is developed. The review includes analysis of seventy-seven articles, outlining the existing body of knowledge and showing the steady progress in this research field.

研究动机与目标

• 通过综合77篇学术论文的研究成果，审视说服性自然语言生成（NLG）的最新进展。
• 识别NLG中说服力的核心决定因素，重点关注五个与业务相关的类别：善意、语言得体性、逻辑论证、可信度以及工具/数据集。
• 制定一项结构化的研究议程，以推动说服性NLG的发展，解决方法论、评估和应用方面的空白。

提出的方法

• 对计算语言学与人工智能领域中77篇经同行评审的论文进行系统性文献综述，聚焦于用于说服性文本生成的NLG技术。
• 将说服性NLG技术分类为五个维度：善意（旨在帮助他人）、语言得体性（语气与风格）、逻辑论证（连贯性与推理）、可信度（可信度与可靠性），以及工具/数据集（现有资源与框架）。
• 分析现有数据集与工具，评估其在训练和评估说服性NLG系统方面的适用性。
• 综合研究发现，识别出重复出现的模式、方法论局限性以及尚未充分探索的研究方向。
• 基于识别出的空白制定研究议程，包括对标准化评估指标的需求以及面向特定领域的适应性改进。

实验结果

研究问题

• RQ1 现有NLG系统如何生成具有说服力的内容？哪些语言和结构特征促成了其说服力？
• RQ2 支撑成功说服性NLG系统的核心设计原则（如可信度、逻辑连贯性及语言得体性）是什么？
• RQ3 目前可用于训练和评估说服性NLG模型的数据集与工具有哪些？其局限性是什么？
• RQ4 所识别出的五个类别（善意、语言得体性、逻辑论证、可信度、工具/数据集）在塑造说服性输出方面如何相互关联？
• RQ5 在商业和现实世界应用中，推动说服性NLG发展的关键研究空白与未来方向是什么？

主要发现

• 文献表明，逻辑论证与语言得体性正日益成为生成可信且具吸引力的说服性内容的核心要素。
• 可信度通常通过风格线索和信息来源的可信度来体现，但很少有系统将可信度作为动态组成部分进行显式建模。
• 善意通常通过语气和意图体现，部分系统则利用用户建模来根据接收者需求定制信息。
• 目前用于说服性NLG的数据集在规模、多样性及标注质量方面仍显不足，制约了模型的稳健训练与评估。
• 说服性NLG的工具与框架正在出现，但缺乏标准化，大多数系统依赖自定义处理流程而非可重用组件。
• 提出了一项明确的研究议程，强调需要建立基准数据集、开展跨领域评估，并将说服理论整合进NLG架构中。