Key points are not available for this paper at this time.
नैचुरल लैंग्वेज जनरेशन (NLG) एक कार्य-उन्मुख संवाद प्रणाली में एक मुख्य घटक है, जो संरचित अर्थ प्रतिनिधित्व (MR) को प्राकृतिक भाषा में परिवर्तित करता है। बड़े पैमाने पर संवादात्मक प्रणालियों के लिए, जहां सौ से अधिक इरादे और हजारों स्लॉट्स होना आम है, न तो टेम्पलेट-आधारित दृष्टिकोण और न ही मॉडल-आधारित दृष्टिकोण स्केलेबल होते हैं। हाल ही में, न्यूरल NLGs ने ट्रांसफर लर्निंग का लाभ उठाना शुरू किया और कुछ-शॉट सेटिंग्स में आशाजनक परिणाम दिखाए। यह लेख AUGNLG का प्रस्ताव करता है, जो एक नवीन डेटा संवर्धन दृष्टिकोण है जो एक स्वयं-प्रशिक्षित न्यूरल पुनर्प्राप्ति मॉडल को एक कुछ-शॉट सीखे गए NLU मॉडल के साथ संयोजित करता है, ताकि स्वचालित रूप से ओपन-डोमेन पाठ्य का MR-से-टेक्स्ट डेटा बनाया जा सके। प्रस्तावित प्रणाली अधिकांशतः FewShotWOZ डेटा पर BLEU और स्लॉट एरर रेट दोनों में अत्याधुनिक विधियों को पार कर जाती है। हम आगे FewShotSGD डेटा पर सुधारित परिणामों की पुष्टि करते हैं और अपनी प्रणाली के मुख्य घटकों पर व्यापक विश्लेषण परिणाम प्रदान करते हैं। हमारा कोड और डेटा उपलब्ध है https://github.com/XinnuoXu/AugNLG पर।
Xu et al. (गुरुवार,) ने इस प्रश्न पर अध्ययन किया।