典型文献
HLMGAN:分层学习的多奖励文本生成对抗网络
文献摘要：
文本生成是自然语言处理的一项重要任务.针对生成的文本大多缺乏多样性,且当生成文本过长时,文本生成的质量会有明显下降的问题,提出了一种采用Sentences and Words(SW)奖励机制的传递向量文本生成对抗网络.首先,为生成器提出了层次结构设计,包括传递特征向量训练模块和生成向量训练模块,同时传递判别模型中真实文本特征向量给生成器的传递特征向量训练模块,由此来提高长文本生成的准确率,生成向量训练模块接收其生成词序列;然后,在训练过程中,使用关系存储核心代替传统的长短期记忆循环神经网络模型作为生成器,提高了模型的表达能力和捕获信息的能力;最后,采用SW奖励机制提高文本生成的多样性.实验结果表明,分层学习的多奖励文本生成对抗网络(Generation Adversarial Network Based on Hierarchical Learning with Multi-reward Text,HLMGAN)模型在合成数据负对数似然度和双语互译质量评估辅助工具指标中均有所提升.
文献关键词：
文本生成;生成对抗网络;文本多样性;分层学习
中图分类号：
作者姓名：
薛琪;孟祥福;张峰;张霄雁;朱金侠;朱尧;王丹丹
作者机构：
辽宁工程技术大学 电子与信息工程学院,辽宁 葫芦岛 125105
文献出处：
引用格式：
[1]薛琪;孟祥福;张峰;张霄雁;朱金侠;朱尧;王丹丹-.HLMGAN:分层学习的多奖励文本生成对抗网络)[J].云南大学学报（自然科学版）,2022(01):64-72
A类：
HLMGAN,Sentences,文本多样性
B类：
分层学习,文本生成,生成对抗网络,自然语言处理,成文,Words,SW,奖励机制,递向,生成器,层次结构,特征向量,判别模型,文本特征,长文,成词,词序,训练过程,长短期记忆循环神经网络,循环神经网络模型,表达能力,Generation,Adversarial,Network,Based,Hierarchical,Learning,Multi,reward,Text,合成数据,对数似然,双语,互译,质量评估,辅助工具
AB值：
0.329286
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
