@进展中{ippolito-etal-2019比较,title=“条件语言模型中各种解码方法的比较”,author=“伊波利托、达芙妮和克里兹、雷诺和Sedoc、Jo和库斯蒂科娃、玛丽亚和Callison-Burch,Chris“,editor=“Korhonen、Anna和Traum、David和M{\`a}rquez,Llu{\`i}s“,booktitle=“计算语言学协会第57届年会会议记录”,月=七月,year=“2019”,address=“意大利佛罗伦萨”,publisher=“计算语言学协会”,url=“https://aclantology.org/P19-1365”,doi=“10.18653/v1/P19-1365”,pages=“3752--3762”,抽象=“虽然条件语言模型在输出高质量自然语言的能力方面有了很大的提高,但许多NLP应用程序都受益于能够生成一组不同的候选序列。不同的解码策略旨在在给定大小的候选列表内,尽可能多地覆盖高质量输出的空间致力于对重新分析和组合候选输出的任务进行改进。标准解码方法(如波束搜索)针对生成高似然序列而非多样性序列进行了优化,尽管最近的工作重点是增加这些方法的多样性。在这项工作中,我们对从条件语言模型生成不同输出的解码时间策略进行了广泛的调查。此外,我们提出了一种新的方法,即对候选序列进行过采样,然后使用聚类来删除相似序列,从而在不牺牲质量的情况下实现高多样性。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“网址:http://www.loc.gov/mods/v3"><mods ID=“ippolito-etal-2019-comparison”><标题信息>条件语言模型中各种解码方法的比较</titleInfo><name type=“personal”>达芙妮Ipolito公司<角色>作者</角色></name><name type=“personal”>雷诺克里兹<角色>作者</角色></name><name type=“personal”>乔昂Sedoc系列<角色>作者</角色></name><name type=“personal”>玛丽亚库斯蒂科娃<角色>作者</角色></name><name type=“personal”>克里斯Callison-Burch公司<角色>作者</角色></name><原始信息>发布日期:2019-07发布日期:</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>计算语言学协会第57届年会会议记录</titleInfo><name type=“personal”>安娜Korhonen公司<角色>编辑器</角色></name><name type=“personal”>大卫Traum(Traum)<角色>编辑器</角色></name><name type=“personal”>路易斯Márquez(Már quez)<角色>编辑器</角色></name><原始信息>计算语言学协会<位置>意大利佛罗伦萨</place></originInfo>会议出版物</relatedItem><abstract>虽然条件语言模型在输出高质量自然语言的能力方面有了很大提高,但许多NLP应用程序都受益于能够生成一组不同的候选序列。不同的解码策略旨在在给定大小的候选列表中,尽可能多地覆盖高质量输出的空间,从而改进重新编码和合并候选输出的任务。标准解码方法(如波束搜索)针对生成高似然序列而非多样性序列进行了优化,尽管最近的工作重点是增加这些方法的多样性。在这项工作中,我们对从条件语言模型生成不同输出的解码时间策略进行了广泛的调查。此外,我们提出了一种新的方法,即对候选序列进行过采样,然后使用聚类来删除相似序列,从而在不牺牲质量的情况下实现高多样性</摘要>ippolito-etal-2019比较<identifier type=“doi”>10.18653/v1/P9-1365<identifier><位置><网址>https://aclantology.org/P19-1365</url></位置><部分>2019-07年7月<扩展单元=“page”><start>3752</start><end>3762</范围></部分></mods></modsCollection>
%0会议记录%条件语言模型中不同解码方法的T比较%达芙妮,伊波利托%阿奎兹,里诺%乔安·塞多克%玛丽亚·库斯蒂科娃%克里斯·卡利森·布尔赫%Y Korhonen,安娜%大卫·Y·特拉姆%Y Márquez,Lluís%计算语言学协会第57届年会论文集%D 2019年%7月8日%计算语言学协会%C意大利佛罗伦萨%F ippolito-etal-2019比较%虽然条件语言模型在输出高质量自然语言的能力方面有了很大提高,但许多NLP应用程序都受益于能够生成一组不同的候选序列。不同的解码策略旨在在给定大小的候选列表中,尽可能多地覆盖高质量输出的空间,从而改进重新编码和合并候选输出的任务。标准解码方法(如波束搜索)针对生成高似然序列而非多样性序列进行了优化,尽管最近的工作重点是增加这些方法的多样性。在这项工作中,我们对从条件语言模型生成不同输出的解码时间策略进行了广泛的调查。此外,我们提出了一种新的方法,即对候选序列进行过采样,然后使用聚类来删除相似序列,从而在不牺牲质量的情况下实现高多样性。%10.18653/v1/P19-1365兰特%U型https://aclantology.org/P19-1365%U型https://doi.org/10.18653/v1/P19-1365%电话:3752-3762
降价(非正式)
[条件语言模型中各种解码方法的比较](https://aclantology.org/P19-1365)(Ippolito等人,ACL 2019)
国际计算语言学协会
- 达夫娜·伊波利托、雷诺·克里兹、乔·塞多克、玛丽亚·库斯蒂科娃和克里斯·卡利森·布尔赫。2019条件语言模型中各种解码方法的比较.英寸计算语言学协会第57届年会会议记录,第3752–3762页,意大利佛罗伦萨。计算语言学协会。