Templates are the easiest way to im

Templates are the easiest way to implement surface NLG. A template for describing a flight noun phrase in the air travel domain might be flight
departing from $city-fr at $time-dep and arriving in $city-to at $time-arr where the
words starting with "$" are actually variables -- representing the departure city, and departure time, the arrival city, and the arrival time, respectively-- whose values will be extracted from the environment in which the template is used. The approach of
writing individual templates is convenient, but may not scale to complex domains in which hundreds or thousands of templates would be necessary, and may have shortcomings in maintainability and text quality (e.g., see (Reiter, 1995) for a discussion). There are more sophisticated surface generation packages, such as FUF/SURGE (Elhadad and Robin, 1996), KPML (Bateman, 1996), MUMBLE
(Meteer et al., 1987), and RealPro (Lavoie and Ram- bow, 1997), which produce natural language text from an abstract semantic representation. These packages require linguistic sophistication in order to write the abstract semantic representation, but they are flexible because minor changes to the input can accomplish major changes to the generated text. The only trainable approaches (known to the au-
thor) to surface generation are the purely statistical machine translation (MT) systems such as (Berger et al., 1996) and the corpus-based generation system described in (Langkilde and Knight, 1998). The MT systems of (Berger et al., 1996) learn to generate text in the target language straight from the source language, without the aid of an explicit semantic representation. In contrast, (Langkilde and Knight, 1998) uses corpus-derived statistical knowl- edge to rank plausible hypotheses from a grammar- based surface generation component.

Kết quả (Việt) 2:

Mẫu là cách dễ nhất để thực hiện NLG bề mặt. Một khuôn mẫu để mô tả một cụm danh từ chuyến bay ở miền khí đi du lịch có thể là chuyến bay
khởi hành từ $ thành phố-fr tại $ thời gian dep và đến $ thành phố để ở $ thời gian arr nơi
từ bắt đầu với "$" là thực sự biến - đại diện cho các thành phố khởi hành, và thời gian khởi hành, thành phố đến, và thời gian đến, respectively-- có giá trị sẽ được chiết xuất từ môi trường trong đó các mẫu được sử dụng. Cách tiếp cận của
văn bản mẫu cá nhân thuận tiện, nhưng có thể không quy mô với các lĩnh vực phức tạp trong đó có hàng trăm hoặc hàng ngàn mẫu sẽ là cần thiết, và có thể có những thiếu sót trong bảo trì và văn bản chất lượng (ví dụ, xem (Reiter, 1995) trong một cuộc thảo luận). Có gói thế hệ bề mặt phức tạp hơn, chẳng hạn như FUF / SURGE (Elhadad và Robin, 1996), KPML (Bateman, 1996), Mumble
(Meteer et al., 1987), và RealPro (Lavoie và cung Ram-, 1997), sản xuất văn bản ngôn ngữ tự nhiên từ một đại diện ngữ nghĩa trừu tượng. Những gói này đòi hỏi sự tinh tế về ngôn ngữ để viết các biểu ngữ nghĩa trừu tượng, nhưng họ rất linh hoạt, vì những thay đổi nhỏ để các đầu vào có thể thực hiện những thay đổi lớn đối với các văn bản được tạo ra. Các chỉ cách tiếp cận khả năng huấn luyện (được biết đến với au-
thor) để bề mặt thế hệ là bản dịch máy thống kê thuần túy (MT) các hệ thống như (Berger et al., 1996) và các hệ thống thế hệ corpus dựa trên mô tả trong (Langkilde và Knight, 1998 ). Các hệ thống tấn (Berger et al., 1996) tìm hiểu để tạo ra văn bản trong ngôn ngữ mục tiêu trực tiếp từ ngôn ngữ gốc mà không cần sự trợ giúp của một đại diện ngữ nghĩa rõ ràng. Ngược lại, (Langkilde và Knight, 1998) sử dụng corpus có nguồn gốc từ kiến thức thống kê cạnh để xếp hạng các giả thuyết hợp lý từ một thành phần hệ mặt grammar- dựa.