European Commission logo
español español
CORDIS - Resultados de investigaciones de la UE
CORDIS

Next-Generation Natural Language Generation

Descripción del proyecto

Métodos simbólicos neuronales para sistemas de generación de lenguaje natural

Se puede utilizar la programación de inteligencia artificial para producir texto a partir datos. Esto se denomina «generación de lenguaje natural» (GLN o NLG, por sus siglas en inglés), la cual transforma datos complejos en lenguaje que suena natural, como si fuera escrito por una persona. En el proyecto financiado con fondos europeos NG-NLG se estudiarán los métodos neuronales de la GLN, que actualmente siguen limitándose a uso experimental. El motivo es que, a pesar de los resultados muy naturales de los sistemas neuronales recientes, el comportamiento de los sistemas de GLN no es transparente o fiable. En el proyecto se desarrollarán planteamientos innovadores que combinan planteamientos neuronales con representaciones semánticas simbólicas explícitas, lo cual permitirá un mayor control de los resultados y las inferencias lógicas explícitas sobre los datos. En el proyecto se probarán los planteamientos relativos a la generación de datos a texto, resúmenes y respuestas a diálogos.

Objetivo

This project aims to overcome the major hurdles that prevent current state-of-the-art models for natural language generation (NLG) from real-world deployment.

While deep learning and neural networks brought considerable progress in many areas of natural language processing, neural approaches to NLG remain confined to experimental use and production NLG systems are handcrafted. The reason for this is that despite the very natural and fluent outputs of recent neural systems, neural NLG still has major drawbacks: (1) the behavior of the systems is not transparent and hard to control (the internal representation is implicit), which leads to incorrect or even harmful outputs, (2) the models require a lot of training data and processing power do not generalize well, and are mostly English-only. On the other hand, handcrafted models are safe, transparent and fast, but produce less fluent outputs and are expensive to adapt to new languages and domains (topics). As a result, usefulness of NLG models in general is limited. In addition, current methods for automatic evaluation of NLG outputs are unreliable, hampering system development.

The main aims of this project, directly addressing the above drawbacks, are:
1) Develop new approaches for NLG that combine neural approaches with explicit symbolic semantic representations, thus allowing greater control over the outputs and explicit logical inferences over the data.
2) Introduce approaches to model compression and adaptation to make models easily portable across domains and languages.
3) Develop reliable neural-symbolic approaches for evaluation of NLG systems.

We will test our approaches on multiple NLG applications—data-to-text generation (e.g. weather or sports reports), summarization, and dialogue response generation. For example, our approach will make it possible to deploy a new data reporting system for a given domain based on a few dozen example input-output pairs, compared to thousands needed by current methods.

Régimen de financiación

HORIZON-ERC - HORIZON ERC Grants

Institución de acogida

UNIVERZITA KARLOVA
Aportación neta de la UEn
€ 1 420 375,00
Dirección
OVOCNY TRH 560/5
116 36 Praha 1
Chequia

Ver en el mapa

Región
Česko Praha Hlavní město Praha
Tipo de actividad
Higher or Secondary Education Establishments
Enlaces
Coste total
€ 1 420 375,00

Beneficiarios (1)