【ACL2020】对抗性文本生成，Improving Adversarial Text Generation

自回归文本生成模型通常侧重于局部的流畅性，在长文本生成过程中可能导致语义不一致。此外，自动生成具有相似语义的单词是具有挑战性的，而且手工编写的语言规则很难应用。我们考虑了一个文本规划方案，并提出了一个基于模型的模仿学习方法来缓解上述问题。具体来说，我们提出了一种新的引导网络来关注更长的生成过程，它可以帮助下一个单词的预测，并为生成器的优化提供中间奖励。大量的实验表明，该方法具有较好的性能。