论文目的

自动 topic-to- essay 生成（TEG）任务是指给定 topic 集合，生成主题相关、段落集的文本。过去的工作仅仅基于给定的主题去执行文本生成，而忽略了大量的常识知识，其实这些常识知识会提供额外的背景知识，这能提高生成文章的新颖性和多样性。为了解决这个问题，本文通过动态记忆机制将外部知识库的知识整合进生成器。除此之外，基于多标签判别器的对抗训练的应用进一步提高了主题一致性。

论文方法

任务描述

给定一个包含m个主题的主题序列x，TEG任务旨在生成一个包含n个单词的主题一致的文章y，其中n远大于m。

Memory-Augmented Generator

大体上为encoder-decoder

Encoder

encoder端为LSTM模型，融合主题信息，得到hidden states

Decoder

利用ConceptNet知识库，查询得到主题对应的邻居信息，并获取预先训练好的词向量构成记忆矩阵M，将记忆矩阵加入decoder中

Dynamic Memory

随着生成的进行，需要表达的主题信息不断变化，这就需要动态更新记忆矩阵。 $$M_t^i\ast =tanh(U_1{M}_t^i+V_{1}e(y_t))$$ $$g_t^i=sigmoid(U_2{M}_t^i+V_{2}e(y_t))$$ $$M_{t+1}^i=(1-g_t^i).M_t^i+g_t^i.M_t^i\ast$$

Multi-Label Discriminator

引入鉴别器D来评价输入主题与生成的文章之间的主题一致性，进一步提高了文本质量。鉴别器是X+1分类，区分是属于X个 topic 还是属于生成样本

Adversarial Training

Our generator G can be viewed as an agent, whose state at time step t is the current generated words $$y_{1:t-1}=(y1,\cdot \cdot \cdot ,y_{t-1})$$and the action is the prediction of the next word yt。

实验内容

Dataset

使用知乎数据集

Evaluation Metrics

使用两种评估方法——自动评估和人类评估

Automatic Evaluation

consistency ： 一个好的essay应该与所有主题语义相近。使用SGM预训练好的多标签分类器，使用jaccard相似方程来计算生成文本主题和原始主题的consistency得到矩阵Novelty ： 新颖性可以通过看看生成文本与训练文本的区别来判定。使用jaccard相似方程来计算生成文本和原始主题文本的consistency得到矩阵Diversity ： 我们还计算了不同的n-gram在生成的文章中的比例，以评估输出的多样性。

Human Evaluation

200个样本（包含输入和输出）分给3个标注者。然后，他们被要求从1到5对生成的文章的的四个标准进行评分：新颖性、多样性、连贯性和主题一致性。 对于新颖性，我们使用TF-IDF特性检索10 最相似的训练样本，为注释者提供参考。

实验过程

与baseline比较消融实验case study

论文亮点

评估方式特别——自动与人工两种结合对抗学习和深度学习结合