Empirical Methods in Natural Language Generation: Data-oriented Methods and Empirical Evaluation

تولید زبان طبیعی (NLG) زیرشاخه ای از پردازش زبان طبیعی (NLP) است که اغلب به عنوان مطالعه تبدیل خودکار بازنمایی های غیرزبانی (به عنوان مثال، از پایگاه های داده یا سایر منابع دانش) به متن زبان طبیعی منسجم شناخته می شود. در سال های اخیر این رشته به طور قابل توجهی پیشرفت کرده است. شاید مهم ترین پیشرفت جدید، تاکید فعلی بر روش های داده محور و ارزیابی تجربی باشد. پیشرفت در زمینه های مرتبط مانند ترجمه ماشینی، طراحی سیستم گفتگو و خلاصه سازی خودکار متن و آگاهی حاصل از اهمیت تولید زبان، افزایش در دسترس بودن مجموعه های مناسب در سال های اخیر، و سازماندهی وظایف مشترک برای NLG، که در آن تیم های مختلف محققان الگوریتم های خود را بر روی یک مجموعه داده مشترک و نگهداری شده توسعه داده و ارزیابی می کنند، تأثیر قابل توجهی در این زمینه داشته است، و این کتاب اولین نمای کلی جامع از تحقیقات تجربی اخیر NLG را ارائه می دهد.

Natural language generation (NLG) is a subfield of natural language processing (NLP) that is often characterized as the study of automatically converting non-linguistic representations (e.g., from databases or other knowledge sources) into coherent natural language text. In recent years the field has evolved substantially. Perhaps the most important new development is the current emphasis on data-oriented methods and empirical evaluation. Progress in related areas such as machine translation, dialogue system design and automatic text summarization and the resulting awareness of the importance of language generation, the increasing availability of suitable corpora in recent years, and the organization of shared tasks for NLG, where different teams of researchers develop and evaluate their algorithms on a shared, held out data set have had a considerable impact on the field, and this book offers the first comprehensive overview of recent empirically oriented NLG research.