[论文解读] RDF2PT: Generating Brazilian Portuguese Texts from RDF Data

Diego Moussallem, Thiago Castro Ferreira+5 more|arXiv (Cornell University)|Feb 22, 2018

Natural Language Processing Techniques参考文献 39被引用 6

一句话总结

RDF2PT 是一种基于规则的方法，通过基于本体的语义化生成，从 RDF 数据生成流畅、类人的巴西葡萄牙语文本。通过 44 名母语者参与的问卷评估，其在流畅性和可理解性方面表现优异，显示出在低资源语言（如葡萄牙语）自然语言生成中的强大潜力。

ABSTRACT

The generation of natural language from Resource Description Framework (RDF) data has recently gained significant attention due to the continuous growth of Linked Data. A number of these approaches generate natural language in languages other than English, however, no work has been proposed to generate Brazilian Portuguese texts out of RDF. We address this research gap by presenting RDF2PT, an approach that verbalizes RDF data to Brazilian Portuguese language. We evaluated RDF2PT in an open questionnaire with 44 native speakers divided into experts and non-experts. Our results suggest that RDF2PT is able to generate text which is similar to that generated by humans and can hence be easily understood.

研究动机与目标

• 解决从结构化 RDF 数据生成自然语言（NLG）系统在巴西葡萄牙语中的缺失问题。
• 开发一种语义化方法，从 RDF 三元组生成语法正确且流畅的巴西葡萄牙语文本。
• 通过受控问卷调查，使用母语者评估生成文本质量，并与人工撰写参考文本进行对比。
• 支持实际应用，如为命名实体识别（NER）和链接（EL）任务创建银标准数据集，以及构建自评估问答系统。
• 识别在性数一致、并列和从句结构方面的局限性，为未来基于机器学习的改进提供指导。

提出的方法

• 采用基于规则的语义化流水线，将 RDF 三元组映射为巴西葡萄牙语的自然语言句子。
• 利用本体术语和谓词指导词汇选择和句法结构，确保语义保真度。
• 基于巴西葡萄牙语语法规则，应用性、数和词序一致的句法规则。
• 依赖语言资源（如 SimpleNLG）进行实现，并使用针对葡萄牙语句法规则定制的语法模板。
• 与现有框架（如 BENGAL 和 GERBIL）集成，用于生成命名实体识别和链接任务的银标准数据集。
• 通过母语巴西葡萄牙语使用者（专家与非专家）参与的问卷调查进行评估，以衡量生成文本的流畅性和类人程度。

实验结果

研究问题

• RQ1 基于规则的 NLG 系统能否从 RDF 数据生成对母语巴西葡萄牙语使用者而言流畅且易懂的文本？
• RQ2 RDF2PT 生成的文本在流畅性和清晰度方面与人工撰写文本相比如何？
• RQ3 从 RDF 数据生成语法正确且自然的巴西葡萄牙语文本面临的主要挑战是什么？
• RQ4 RDF2PT 在多大程度上能够支持为巴西葡萄牙语命名实体识别和链接任务创建基准数据集？
• RQ5 机器学习如何改进葡萄牙语 NLG 输出中的性数一致和从句结构？

主要发现

• RDF2PT 生成的文本被母语巴西葡萄牙语使用者认为流畅且清晰，其表现与人工撰写文本相当。
• 该系统在 44 名母语者参与的问卷调查中表现优异，表明其生成输出具有高度类人特征。
• 主要挑战包括性数一致错误（如 'uns obra' 而非 'uma obra'）以及过度使用并列连词而非从属连词。
• 当本体标签存在歧义或错误标注时，系统在词化（lexicalization）方面表现不佳，因其仅依赖术语标签而缺乏谓词上下文。
• 并列句（如 'Albert Einstein foi um cientista e ele nasceu em Ulm'）比从句（如 'um cientista que nasceu em Ulm'）更容易被识别为机器生成。
• 该方法可实现命名实体识别和链接任务银标准数据集的自动构建，且已在 GERBIL 中成功用于多语言实体链接系统的评估。