詞語 Generator的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列必買單品、推薦清單和精選懶人包

結合指針–生成網路與複合事件以進行自動摘要之研究

為了解決詞語 Generator的問題，作者曾羿文 這樣論述：

近年來資訊爆炸，透過自動摘要技術，能夠凸顯文章之重點，幫助人們快速且有效吸收知識。自動摘要，分為生成式摘要與抽象式摘要，隨著人工智慧發展，過去的研究透過不少深度學習的方法進行抽象式摘要，但仍存在問題。因此本研究在指針–生成網路的注意力機制中加入複合事件，以改進抽象式摘要的品質。本研究以NLPCC 2018 shared task3 開源資料集進行實證評估，結果顯示本研究所提方法 ROUGE-1值、ROUGE-2值以及 ROUGE-L值分別可達 38.65%、21.91%、35.63%。與未導入複合事件之指針–生成網路相較，本研究所提出方法用於抽象式摘要表現較佳。

以命名實體作為約束非監督式釋義生成

為了解決詞語 Generator的問題，作者楊文瀚 這樣論述：

釋義生成(Paraphrase generation)一直是文字探勘 (Natural language processing)中重要任務之一。目的在於保留相同的語意但不同的句法結構。至於這個任務大致可歸類為監督式學習，半監督式學習以及非監督式學習三種模式。而在監督式學習已經有顯著的成果，在各個評估指標中都已經達到很好的表現。至於半監督式學習和非監督式學習則是還在研究階段，所以比較少的研究在討論這個任務。也是因為這樣的原因，本研究想探討非監督式學習的方法。另外在釋義生成的方法中，有部分的研究在探討控制生成的方法，主要目的在於保留句子中部份重要的詞彙來避免語意的改變，舉例來說 “川普有一隻狗。

” 對於這句話而言川普和狗就是無法改變的文字，如果將川普改變成希拉蕊的話整句話的意思就改變了。而做到控制生成的方式亦可分為幾種，有的是利用句法結構(Syntactic Structure) 來做到控制生成。也有利用模型的輔助來達到控制生成。而為了探討在非監督式學習模型中做到控制生成，我們的研究修改了Transformer模型的架構，在架構中我們新增了命名實體 (Named Entity) 的概念，原因是因為研究指出這些帶有命名實體的詞通常都是句子中不可被替換的詞語。此實驗我們將帶有命名實體標籤的詞彙列為不可取代的詞彙。因此在模型的學習中，我們期望能將帶有命名實體標籤的詞被模型重點學習，因而在輸

入層中新增了命名實體標籤的詞遷入並結合其所在位置資訊進行學習。從實驗結果中，我們提出了一個判斷是否有效地保留命名實體的方法，我們計算命名實體的招回率 (Recall) 來辨別是否有正確招回帶有命名實體的詞彙。另外我們在結果中顯示我們的招回率是比基準模型來的好的，同時我們也比較了基準模型的主要判斷指標，iBLEU。 iBLEU是BLEU的延伸主要是判斷生成出來的句子跟目標句子語意保留程度。而iBLEU則是帶有逞罰機制的BLEU。在我們的結果中絕大部分的iBLEU成績都是比基準模型來的好的。這也間接說明，命名實體對於模型是有潛在的影響力。