Descrizione del progetto
Approcci neurali-simbolici per sistemi di generazione naturale del linguaggio
La programmazione con IA può essere utilizzata per la produzione di un testo a partire da dati. Questo processo, volto a transformare dati complessi in un linguaggio che sembra naturale come se fosse scritto da un essere umano, viene definito generazione del linguaggio naturale (NLG, natural language generation). Il progetto NG-NLG, finanziato dall’UE, esplorerà gli approcci neurali alla generazione del linguaggio naturale che attualmente rimangono limitati a un uso sperimentale. Questo perché, nonostante i risultati molto naturali dei recenti sistemi neurali, il comportamento dei sistemi di generazione del linguaggio naturale non è trasparente o affidabile. Il progetto svilupperà metodi innovativi che combinino approcci neurali con rappresentazioni semantiche simboliche esplicite, consentendo di esercitare un maggior controllo sui risultati e di ottenere inferenze logiche esplicite sui dati. Il progetto verificherà i propri approcci nella generazione, nella sintesi e nella creazione di risposte ai dialoghi dai dati al testo.
Obiettivo
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.
Campo scientifico
Parole chiave
Programma(i)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Argomento(i)
Meccanismo di finanziamento
HORIZON-ERC - HORIZON ERC GrantsIstituzione ospitante
116 36 Praha 1
Cechia