Die Generierung natürlicher Sprache ( Natural Language Generation , NLG ) ist ein Softwareprozess, der natürlichsprachliche Ausgaben erzeugt. Eine vielzitierte Übersicht über NLG-Methoden beschreibt NLG als „das Teilgebiet der künstlichen Intelligenz und der Computerlinguistik, das sich mit der Entwicklung von Computersystemen befasst, die aus einer zugrunde liegenden nicht-linguistischen Informationsrepräsentation verständliche Texte in Englisch oder anderen menschlichen Sprachen erzeugen können“. [ 1 ]

Es herrscht weitgehend Einigkeit darüber, dass das Ergebnis jedes NLG-Prozesses Text ist. Uneinigkeit besteht jedoch darüber, ob die Eingaben eines NLG-Systems nicht-linguistisch sein müssen. [ 2 ] Zu den gängigen Anwendungen von NLG-Methoden gehören die Erstellung verschiedener Berichte, beispielsweise Wetterberichte [ 3 ] und Patientenberichte [ 4 ] , Bildunterschriften [ 5 ] sowie Chatbots wie ChatGPT .

Automatisierte natürliche Sprachgenerierung (NLG) lässt sich mit dem Prozess vergleichen, den Menschen anwenden, um Ideen in Schrift oder Sprache umzusetzen. Psycholinguisten bevorzugen für diesen Prozess den Begriff Sprachproduktion . Er kann auch mathematisch beschrieben oder für psychologische Forschungszwecke am Computer modelliert werden. NLG-Systeme sind zudem mit Übersetzern künstlicher Programmiersprachen wie Dekompilern oder Transpilern vergleichbar, die ebenfalls aus einer Zwischenrepräsentation lesbaren Code erzeugen . Menschliche Sprachen sind in der Regel wesentlich komplexer und ermöglichen eine deutlich größere Ausdrucksvielfalt und -mehrdeutigkeit als Programmiersprachen, was die NLG zu einer größeren Herausforderung macht.

NLG kann als komplementär zur natürlichen Sprachverarbeitung (NLU) betrachtet werden : Während bei der natürlichen Sprachverarbeitung das System den Eingabesatz disambiguieren muss, um die maschinelle Repräsentationssprache zu erzeugen, muss das System bei NLG Entscheidungen darüber treffen, wie eine Repräsentation in Worte gefasst werden soll. Die praktischen Überlegungen beim Aufbau von NLU- und NLG-Systemen sind nicht symmetrisch. NLU muss mit mehrdeutigen oder fehlerhaften Benutzereingaben umgehen, während die Ideen, die das System durch NLG ausdrücken möchte, in der Regel präzise bekannt sind. NLG muss aus vielen möglichen Repräsentationen eine spezifische, in sich konsistente Textrepräsentation auswählen, während NLU im Allgemeinen versucht, eine einzige, normalisierte Repräsentation der ausgedrückten Idee zu erzeugen. [ 6 ]

NLG existiert seit der Entwicklung von ELIZA Mitte der 1960er Jahre, die Methoden wurden jedoch erst in den 1990er Jahren kommerziell eingesetzt. [ 7 ] Die NLG-Techniken reichen von einfachen, vorlagenbasierten Systemen wie Serienbriefen bis hin zu Systemen mit einem komplexen Verständnis der menschlichen Grammatik. NLG kann auch durch das Training eines statistischen Modells mithilfe von maschinellem Lernen realisiert werden , typischerweise anhand eines großen Korpus von von Menschen verfassten Texten. [ 8 ]

Beispiel

Das System „Pollenvorhersage für Schottland“ [ 9 ] ist ein einfaches Beispiel für ein NLG-System, das im Wesentlichen auf einer Vorlage basieren kann. Dieses System benötigt sechs Zahlen als Eingabe, die die vorhergesagten Pollenkonzentrationen in verschiedenen Teilen Schottlands angeben. Aus diesen Zahlen generiert das System eine kurze textliche Zusammenfassung der Pollenkonzentrationen als Ausgabe.

Beispielsweise erzeugt die Software anhand der historischen Daten vom 1. Juli 2005 Folgendes:

Die Gräserpollenbelastung ist am Freitag im Vergleich zum Vortag von mäßig auf hoch angestiegen und liegt landesweit bei etwa 6 bis 7. In den nördlichen Gebieten wird die Belastung jedoch mit Werten um 4 moderat ausfallen.

Im Gegensatz dazu lautete die tatsächliche Vorhersage (erstellt von einem Meteorologen) auf Basis dieser Daten:

In weiten Teilen Schottlands werden weiterhin hohe Pollenkonzentrationen (Stufe 6) erwartet, im Südosten sogar Stufe 7. Lediglich auf den nördlichen Inseln und im äußersten Nordosten des schottischen Festlandes herrschen mittlere Pollenkonzentrationen.

Der Vergleich dieser beiden Beispiele verdeutlicht einige der Entscheidungen, die NLG-Systeme treffen müssen; diese werden weiter unten näher erläutert.

Phasen

Die Textgenerierung kann so einfach sein wie das Speichern einer Liste vorgefertigter Texte, die kopiert und eingefügt und gegebenenfalls mit einem Bindetext verknüpft werden. In einfachen Bereichen wie Horoskop-Generatoren oder personalisierten Geschäftsbriefen sind die Ergebnisse zufriedenstellend. Ein ausgefeiltes System zur natürlichen Sprachgenerierung (NLG) benötigt jedoch Planungs- und Informationsintegrationsphasen, um natürlich wirkende und nicht repetitive Texte zu generieren. Die typischen Phasen der natürlichen Sprachgenerierung, wie sie von Dale und Reiter [ 6 ] vorgeschlagen wurden, sind:

Inhaltsbestimmung
Die Entscheidung, welche Informationen im Text erwähnt werden sollen. Zum Beispiel im obigen Pollenbeispiel: Soll explizit erwähnt werden, dass die Pollenbelastung im Südosten bei 7 liegt?
Dokumentenstrukturierung
Die Gesamtstruktur der zu vermittelnden Informationen. Zum Beispiel die Entscheidung, zuerst die Gebiete mit hoher Pollenbelastung zu beschreiben, anstatt die Gebiete mit niedriger Pollenbelastung.
Aggregation
Ähnliche Sätze werden zusammengefasst, um die Lesbarkeit und den natürlichen Sprachstil zu verbessern. Beispielsweise werden die Sätze „Die Gräserpollenbelastung für Freitag ist von den mäßigen auf die hohen Werte von gestern gestiegen.“ und „Die Gräserpollenbelastung wird in den meisten Teilen des Landes bei etwa 6 bis 7 liegen.“ zu einem einzigen Satz zusammengefasst: „Die Gräserpollenbelastung für Freitag ist von den mäßigen auf die hohen Werte von gestern gestiegen und liegt in den meisten Teilen des Landes bei etwa 6 bis 7.“
Lexikalische Wahl
Den Begriffen Worte verleihen. Zum Beispiel die Entscheidung, ob man bei der Beschreibung eines Pollenfluges von 4 „mittel“ oder „mäßig“ verwenden sollte.
Bezugsausdrucksgenerierung
Es geht darum, Ausdrücke zu erstellen , die Objekte und Regionen bezeichnen. Zum Beispiel die Formulierung „ auf den nördlichen Inseln und im äußersten Nordosten des schottischen Festlandes“, um eine bestimmte Region in Schottland zu bezeichnen. Diese Aufgabe umfasst auch Entscheidungen über Pronomen und andere Arten von Anaphern .
Realisierung
Der eigentliche Text muss den Regeln der Syntax , Morphologie und Orthographie entsprechen . Beispielsweise wird „will be“ für die Zukunftsform von „ to be“ verwendet .

Ein alternativer Ansatz für NLG besteht darin, ein System mithilfe von „End-to-End“-Machine-Learning aufzubauen, ohne die oben beschriebenen separaten Phasen zu verwenden. [ 10 ] Das heißt, wir erstellen ein NLG-System, indem wir einen Machine-Learning-Algorithmus (häufig ein LSTM ) mit einem großen Datensatz aus Eingabedaten und den entsprechenden (von Menschen verfassten) Ausgabetexten trainieren. Der End-to-End-Ansatz hat sich insbesondere bei der Bildbeschreibung als sehr erfolgreich erwiesen , [ 11 ] also der automatischen Generierung einer Textbeschreibung für ein Bild.

Anwendungen

Automatische Berichtserstellung

Aus kommerzieller Sicht haben sich Daten-zu-Text- Systeme als die erfolgreichsten NLG-Anwendungen erwiesen. Sie generieren Textzusammenfassungen von Datenbanken und Datensätzen; diese Systeme führen üblicherweise sowohl Datenanalysen als auch Textgenerierung durch. Studien haben gezeigt, dass Textzusammenfassungen für die Entscheidungsunterstützung effektiver sein können als Grafiken und andere visuelle Darstellungen [ 12 ] [ 13 ] [ 14 ] und dass computergenerierte Texte (aus Lesersicht) von Menschen verfassten Texten überlegen sein können [ 15 ] .

Die ersten kommerziellen Daten-zu-Text-Systeme erstellten Wettervorhersagen aus Wetterdaten. Das erste dieser Systeme war FoG [ 3 ] , das Anfang der 1990er-Jahre von Environment Canada zur Erstellung von Wettervorhersagen in Französisch und Englisch eingesetzt wurde. Der Erfolg von FoG regte weitere Forschungs- und kommerzielle Arbeiten an. Zu den jüngsten Anwendungen zählt die textbasierte Wettervorhersage des britischen Wetterdienstes Met Office [ 16 ] .

Daten-zu-Text-Systeme werden seither in verschiedensten Bereichen eingesetzt. Nach dem leichten Erdbeben nahe Beverly Hills, Kalifornien, am 17. März 2014, berichtete die Los Angeles Times innerhalb von drei Minuten nach dem Ereignis über Zeitpunkt, Ort und Stärke des Bebens. Dieser Bericht wurde automatisch von einem „Robo-Journalisten“ generiert, der die eingehenden Daten mithilfe einer vordefinierten Vorlage in Text umwandelte. [ 17 ] [ 18 ] Aktuell besteht erhebliches kommerzielles Interesse an der Nutzung von NLG zur Zusammenfassung von Finanz- und Geschäftsdaten. Gartner prognostiziert, dass NLG zu einem Standardmerkmal von 90 % moderner BI- und Analyseplattformen werden wird. [ 19 ] NLG wird auch kommerziell im automatisierten Journalismus , in Chatbots , zur Generierung von Produktbeschreibungen für E-Commerce-Websites, zur Zusammenfassung von Patientenakten [ 20 ] [ 4 ] und zur Verbesserung der Barrierefreiheit (beispielsweise durch die Beschreibung von Grafiken und Datensätzen für blinde Menschen [ 21 ] ) eingesetzt.

Ein Beispiel für die interaktive Anwendung von NLG ist das WYSIWYM- Framework. WYSIWYM steht für „ What you see is what you meant“ und ermöglicht es Benutzern, die kontinuierlich gerenderte Ansicht (NLG-Ausgabe) eines zugrunde liegenden formalen Sprachdokuments (NLG-Eingabe) zu sehen und zu bearbeiten und somit die formale Sprache zu bearbeiten, ohne sie lernen zu müssen.

Mit Blick auf die Zukunft ebnet der aktuelle Fortschritt bei der Daten-zu-Text-Generierung den Weg für die zielgruppengerechte Textgestaltung. So können beispielsweise Daten von Neugeborenen in der Neonatologie je nach Zielgruppe (Arzt, Pflegekraft, Patient) unterschiedlich in Text umgewandelt werden, mit unterschiedlichem Detaillierungsgrad und unterschiedlicher Erläuterungssprache. Dasselbe Prinzip lässt sich im Sportbereich anwenden, indem für Fans bestimmter Mannschaften unterschiedliche Berichte erstellt werden. [ 22 ]

Bildunterschrift

In den letzten Jahren ist das Interesse an der automatischen Bildbeschreibung gestiegen , als Teil eines umfassenderen Forschungsfelds zur Schnittstelle zwischen Sehen und Sprache. Als Beispiel für die Umwandlung von Daten in Text analysiert der Algorithmus der Bildbeschreibung (oder automatischen Bildbeschreibung) anhand eines Bildes dessen visuellen Inhalt und generiert eine Textbeschreibung (typischerweise einen Satz), die die wichtigsten Aspekte des Bildes verbalisiert.

Ein Bildbeschreibungssystem umfasst zwei Teilaufgaben. In der Bildanalyse werden Merkmale und Attribute eines Bildes erkannt und beschriftet, bevor diese Ergebnisse linguistischen Strukturen zugeordnet werden. Neuere Forschungsarbeiten nutzen Deep -Learning-Ansätze mit Merkmalen aus einem vortrainierten Convolutional Neural Network (CNN) wie AlexNet, VGG oder Caffe. Die Bildbeschreibungsgeneratoren verwenden dabei eine Aktivierungsschicht des vortrainierten Netzwerks als Eingabemerkmale. Die Textgenerierung, die zweite Aufgabe, wird mithilfe verschiedenster Techniken durchgeführt. Im Midge-System beispielsweise werden Eingabebilder als Tripel dargestellt, die aus Objekt-/Gegenstandserkennungen, Aktions-/Poseerkennungen und räumlichen Beziehungen bestehen . Diese werden anschließend auf <Nomen, Verb, Präposition>-Tripel abgebildet und mithilfe einer Baumsubstitutionsgrammatik realisiert. [ 22 ]

Eine gängige Methode zur Bildbeschreibung besteht darin, ein Bildverarbeitungsmodell (z. B. ein ResNet ) zu verwenden, um ein Bild in einen Vektor zu kodieren, und anschließend ein Sprachmodell (z. B. ein RNN ) zu verwenden, um den Vektor in eine Bildunterschrift zu dekodieren. [ 23 ] [ 24 ]

Trotz Fortschritten bestehen in der Bildforschung weiterhin Herausforderungen und Chancen. Obwohl die kürzlich erfolgte Einführung von Flickr30K, MS COCO und anderen großen Datensätzen das Training komplexerer Modelle wie neuronaler Netze ermöglicht hat , wird argumentiert, dass die Bildbeschreibungsforschung von größeren und vielfältigeren Datensätzen profitieren könnte. Die Entwicklung automatischer Verfahren, die menschliche Beurteilungen der Eignung von Bildbeschreibungen nachahmen können, ist ein weiterer Bedarf in diesem Bereich. Zu den weiteren offenen Herausforderungen gehören visuelle Frage-Antwort-Systeme (VQA) [ 25 ] sowie der Aufbau und die Evaluierung mehrsprachiger Repositorien für Bildbeschreibungen [ 22 ] .

Chatbots

Ein weiteres Anwendungsgebiet von NLG sind automatisierte Dialogsysteme , häufig in Form von Chatbots. Ein Chatbot ist eine Softwareanwendung , die Online-Chatgespräche per Text oder Sprachsynthese führt , anstatt den direkten Kontakt mit einem menschlichen Mitarbeiter zu ermöglichen. Während Techniken der natürlichen Sprachverarbeitung (NLP) zur Interpretation der menschlichen Eingaben eingesetzt werden, steuert NLG die Ausgabefunktionen der Chatbot-Algorithmen bei, um Echtzeitdialoge zu ermöglichen.

Frühe Chatbot-Systeme, darunter Cleverbot von Rollo Carpenter (1988), veröffentlicht 1997, beantworteten Fragen, indem sie mithilfe von Information-Retrieval -Verfahren (IR) herausfanden, wie ein Mensch dieselbe Frage in einer Konversationsdatenbank beantwortet hatte. Moderne Chatbot-Systeme basieren überwiegend auf Modellen des maschinellen Lernens (ML), wie beispielsweise Sequence-to-Sequence-Learning und Reinforcement Learning, um natürlichsprachliche Ausgaben zu generieren. Auch Hybridmodelle wurden erforscht. So verwendet beispielsweise der Alibaba-Shopping-Assistent zunächst einen IR-Ansatz, um die besten Kandidaten aus der Wissensbasis abzurufen, und ordnet diese anschließend mithilfe des ML-gesteuerten Seq2Seq-Modells neu, um die Antwort zu generieren. [ 26 ]

Kreatives Schreiben und computergenerierter Humor

Die Generierung kreativer Sprache durch NLG ist seit den Anfängen des Forschungsfelds eine Hypothese. Ein Pionier auf diesem Gebiet ist Phillip Parker, der eine Reihe von Algorithmen entwickelt hat, die automatisch Lehrbücher, Kreuzworträtsel, Gedichte und Bücher zu Themen von der Buchbinderei bis zum Grauen Star generieren können. [ 27 ] Das Aufkommen großer, vortrainierter, auf Transformer-Architektur basierender Sprachmodelle wie GPT-3 hat ebenfalls zu Durchbrüchen geführt, da diese Modelle ein erkennbares Potenzial für die Generierung von Texten aufweisen. [ 28 ]

Ein verwandtes Anwendungsgebiet der natürlichen Sprachgenerierung (NLG) ist die computergestützte Humorgenerierung. JAPE (Joke Analysis and Production Engine) ist eines der ersten großen, automatisierten Humorgenerierungssysteme, das mithilfe eines handcodierten, vorlagenbasierten Ansatzes Wortspielrätsel für Kinder erstellt. HAHAcronym generiert humorvolle Neuinterpretationen beliebiger Akronyme und schlägt zu gegebenen Schlüsselwörtern neue, passende Akronyme vor. [ 29 ]

Trotz Fortschritten bestehen weiterhin viele Herausforderungen bei der automatisierten Erstellung kreativer und humorvoller Inhalte, die mit menschlichen Leistungen mithalten können. In einem Experiment zur Generierung satirischer Schlagzeilen wurden die Ergebnisse des besten BERT-basierten Modells nur in 9,4 % der Fälle als witzig wahrgenommen (im Vergleich zu 38,4 % bei echten Schlagzeilen von The Onion ), während ein auf satirische Schlagzeilen feinabgestimmtes GPT-2-Modell lediglich 6,9 % erreichte. [ 30 ]   Es wurde darauf hingewiesen, dass zwei Hauptprobleme von Systemen zur Humorgenerierung der Mangel an annotierten Datensätzen und formalen Evaluierungsmethoden sind. [ 29 ] Diese könnten jedoch auch auf andere Bereiche der kreativen Inhaltsgenerierung anwendbar sein. Im Vergleich zu anderen Anwendungsgebieten wurde den kreativen Aspekten der Sprachproduktion innerhalb der natürlichen Sprachgenerierung (NLG) bisher zu wenig Aufmerksamkeit geschenkt. NLG-Forscher könnten von Erkenntnissen darüber profitieren, was kreative Sprachproduktion ausmacht, sowie von Strukturmerkmalen von Erzählungen, die das Potenzial haben, die NLG-Ausgabe selbst in Daten-zu-Text-Systemen zu verbessern. [ 22 ]

Auswertung

Wie in anderen wissenschaftlichen Bereichen müssen auch NLG-Forscher die Funktionsweise ihrer Systeme, Module und Algorithmen testen. Diesen Vorgang nennt man Evaluierung . Es gibt drei grundlegende Techniken zur Evaluierung von NLG-Systemen:

  • Aufgabenbasierte (extrinsische) Evaluation : Man gibt den generierten Text einer Person und beurteilt, inwieweit er ihr bei der Erfüllung einer Aufgabe hilft (oder anderweitig ihr kommunikatives Ziel erreicht). Beispielsweise kann ein System, das Zusammenfassungen medizinischer Daten generiert, evaluiert werden, indem man diese Zusammenfassungen Ärzten zur Verfügung stellt und beurteilt, ob die Zusammenfassungen den Ärzten helfen, bessere Entscheidungen zu treffen. [ 4 ]
  • Menschliche Bewertungen : Geben Sie den generierten Text einer Person und bitten Sie diese, die Qualität und Nützlichkeit des Textes zu bewerten.
  • Metriken : Vergleich der generierten Texte mit Texten, die von Personen anhand derselben Eingangsdaten verfasst wurden, mithilfe einer automatischen Metrik wie BLEU , METEOR , ROUGE und LEPOR .

Ein übergeordnetes Ziel ist die Frage, wie nützlich NLG-Systeme für Menschen sind – die erste der oben genannten Techniken. Aufgabenbasierte Evaluierungen sind jedoch zeitaufwändig und kostspielig und können schwierig durchzuführen sein (insbesondere wenn sie Experten mit Spezialkenntnissen, wie z. B. Ärzte, erfordern). Daher sind aufgabenbasierte Evaluierungen (wie in anderen Bereichen der NLP) eher die Ausnahme als die Regel.

Aktuell untersuchen Forscher, wie gut menschliche Bewertungen und Metriken mit aufgabenbasierten Evaluierungen korrelieren (und diese vorhersagen). Die Arbeiten finden im Rahmen der Generation Challenges [ 31 ] statt , die auf gemeinsamen Aufgaben basieren. Erste Ergebnisse deuten darauf hin, dass menschliche Bewertungen in dieser Hinsicht deutlich besser abschneiden als Metriken. Anders ausgedrückt: Menschliche Bewertungen sagen die Effektivität einer Aufgabe in der Regel zumindest teilweise voraus (Ausnahmen bestätigen die Regel), während metrische Bewertungen die Effektivität oft nur unzureichend vorhersagen. Diese Ergebnisse sind vorläufig. Menschliche Bewertungen sind jedenfalls die gängigste Evaluierungsmethode im Bereich der natürlichen Sprachgenerierung (NLG); dies steht im Gegensatz zur maschinellen Übersetzung , wo Metriken weit verbreitet sind.

Eine KI kann anhand ihrer Übereinstimmung mit den Trainingsdaten oder alternativ anhand ihrer Faktentreue bewertet werden . Eine Antwort, die die Trainingsdaten, aber nicht die Realität widerspiegelt, ist zwar datentreu, aber nicht faktentreu. Eine selbstsichere, aber unzutreffende Antwort ist eine Halluzination . In der Verarbeitung natürlicher Sprache wird eine Halluzination häufig als „generierter Inhalt, der sinnlos oder dem bereitgestellten Quellinhalt untreu ist“ definiert. [ 32 ]

Siehe auch

Referenzen

  1. ^ Reiter, Ehud; Dale, Robert (März 1997). „Entwicklung angewandter Systeme zur Generierung natürlicher Sprache“ . Natural Language Engineering . 3 (1): 57–87 . doi : 10.1017/S1351324997001502 . ISSN  1469-8110 . S2CID  8460470 .
  2. ^ Gatt A, Krahmer E (2018). „Überblick über den Stand der Technik in der natürlichen Sprachgenerierung: Kernaufgaben, Anwendungen und Evaluierung“ . Journal of Artificial Intelligence Research . 61 (61): 65–170 . arXiv : 1703.09902 . doi : 10.1613/jair.5477 . S2CID 16946362 . 
  3. ^ a b Goldberg E, Driedger N, Kittredge R (1994). „Using Natural-Language Processing to Produce Weather Forecasts“. IEEE Expert . 9 (2): 45– 53. doi : 10.1109/64.294135 . S2CID 9709337 . 
  4. Portet F, Reiter E, Gatt A, Hunter J, Sripada S, Freer Y, Sykes C (2009). „ Automatische Generierung von Textzusammenfassungen aus Daten der neonatologischen Intensivpflege“ (PDF) . Artificial Intelligence . 173 ( 7–8 ): 789–816 . doi : 10.1016 / j.artint.2008.12.002 .
  5. ^ Farhadi A, Hejrati M, Sadeghi MA, Young P, Rashtchian C, Hockenmaier J, Forsyth D (05.09.2010). Jedes Bild erzählt eine Geschichte: Sätze aus Bildern generieren (PDF) . Europäische Konferenz für Computer Vision. Berlin, Heidelberg: Springer. S.  15–29 . doi : 10.1007/978-3-642-15561-1_2 .
  6. ^ a b Dale, Robert; Reiter, Ehud (2000). Building natural language generation systems . Cambridge, UK: Cambridge University Press. ISBN 978-0-521-02451-8Die
  7. ^ Ehud Reiter (21.03.2021). Geschichte der NLG . Archiviert vom Original am 12.12.2021.
  8. ^ Perera R, Nand P (2017). „Aktuelle Fortschritte in der natürlichen Sprachgenerierung: Eine Übersicht und Klassifizierung der empirischen Literatur“. Computing and Informatics . 36 (1): 1–32 . doi : 10.4149/cai_2017_1_1 . hdl : 10292/10691 .
  9. ^ R. Turner, S. Sripada, E. Reiter, I. Davy (2006). Generierung raumzeitlicher Beschreibungen in Pollenvorhersagen. Tagungsband der EACL06
  10. ^ „E2E NLG Challenge“ . Archiviert vom Original am 04.12.2022 . Abgerufen am 28.06.2018 .
  11. ^ "DataLabCup: Bildunterschrift" .
  12. ^ Law A, Freer Y, Hunter J, Logie R, McIntosh N, Quinn J (2005). „Ein Vergleich grafischer und textueller Darstellungen von Zeitreihendaten zur Unterstützung medizinischer Entscheidungen auf der Neonatal-Intensivstation“. Journal of Clinical Monitoring and Computing . 19 (3): 183–94 . doi : 10.1007/s10877-005-0879-3 . PMID 16244840. S2CID 5569544 .  
  13. ^ Gkatzia D, Lemon O, Reiser V (2017). „Data-to-Text Generation Improves Decision-Making Under Uncertainty“ (PDF) . IEEE Computational Intelligence Magazine . 12 (3): 10–17 . Bibcode : 2017ICIM...12c..10G . doi : 10.1109/MCI.2017.2708998 . S2CID 9544295 . 
  14. ^ "Text oder Grafiken?" . 2016-12-26.
  15. ^ Reiter E, Sripada S, Hunter J, Yu J, Davy I (2005). „Wortwahl in computergenerierten Wettervorhersagen“ . Artificial Intelligence . 167 ( 1–2 ): 137–69 . doi : 10.1016/j.artint.2005.06.006 .
  16. ^ S. Sripada, N. Burnett, R. Turner, J. Mastin, D. Evans (2014). Erstellung einer Fallstudie: Die NLG erfüllt die Anforderungen der Wetterbranche an Qualität und Quantität textbasierter Wettervorhersagen. Tagungsband der INLG 2014
  17. ^ Ken Schwencke; Journalist; Programmierer; verließ 2014 die Los Angeles Times (17.03.2014). „Erdbebennachbeben: Beben der Stärke 2,7 ereignete sich in der Nähe von Westwood“ . Los Angeles Times . Abgerufen am 03.06.2022 .{{cite web}}: CS1 Wartung: numerische Namen: Autorenliste ( Link )
  18. ^ Levenson, Eric (17.03.2014). „Journalist der LA Times erklärt, wie ein Bot seinen Erdbebenbericht für ihn verfasste“ . The Atlantic . Abgerufen am 03.06.2022 .
  19. ^ „Neuronale Netze und moderne BI-Plattformen werden Daten und Analysen weiterentwickeln“ .
  20. ^ Harris MD (2008). „Aufbau eines groß angelegten kommerziellen NLG-Systems für eine EMR“ (PDF) . Proceedings of the Fifth International Natural Language Generation Conference . S.  157–160 .
  21. ^ „Willkommen auf der iGraph-Lite-Seite“ . www.inf.udec.cl. Archiviert vom Original am 16.03.2010.
  22. ^ a b c d Gatt, Albert; Krahmer, Emiel (2018-01-29). „Überblick über den Stand der Technik in der natürlichen Sprachgenerierung: Kernaufgaben, Anwendungen und Evaluierung“. arXiv : 1703.09902 [ cs.CL ].
  23. ^ Vinyals, Oriol; Toshev, Alexander; Bengio, Samy; Erhan, Dumitru (2015). „Show and Tell: A Neural Image Caption Generator“ : 3156– 3164.{{cite journal}}: Zeitschrift zitieren erfordert |journal=( Hilfe )
  24. ^ Karpathy, Andrej; Fei-Fei, Li (2015). „Deep Visual-Semantic Alignments for Generating Image Descriptions“ : 3128– 3137.{{cite journal}}: Zeitschrift zitieren erfordert |journal=( Hilfe )
  25. ^ Kodali, Venkat; Berleant, Daniel (2022). „Aktuelle rasante Fortschritte in der Architektur visueller Frage-Antwort-Systeme: Ein Überblick“. Proceedings der 22. IEEE International Conference on EIT . S.  133–146 . arXiv : 2203.01322 .
  26. ^ Mnasri, Maali (2019-03-21). „Aktuelle Fortschritte in der dialogorientierten NLP: Auf dem Weg zur Standardisierung des Chatbot-Aufbaus“. arXiv : 1903.09025 [ cs.CL ].
  27. ^ „Wie man über 1 Million Bücher schreibt“ . HuffPost . 11.02.2013 . Abgerufen am 03.06.2022 .
  28. ^ „Exploring GPT-3: Scale, Capabilities, Early Demos, and Real Limits“ . SanishTech . 12.03.2021. Archiviert vom Original am 15.08.2020 . Abgerufen am 11.10.2025 .
  29. ^ a b Winters, Thomas (30.04.2021). „Computer lernen Humor – kein Witz“ . Harvard Data Science Review . 3 (2). doi : 10.1162/99608f92.f13a2337 . S2CID 235589737 . 
  30. ^ Horvitz, Zachary; Do, Nam; Littman, Michael L. (Juli 2020). „Kontextabhängige Generierung satirischer Nachrichten“ . Proceedings of the Second Workshop on Figurative Language Processing . Online: Association for Computational Linguistics: 40–50 . doi : 10.18653/v1/2020.figlang-1.5 . S2CID 220330989 . 
  31. ^ Herausforderungen für die Generation
  32. ^ Ji, Ziwei; Lee, Nayeon; Frieske, Rita; Yu, Tiezheng; Su, Dan; Xu, Yan; Ishii, Etsuko; Bang, Yejin; Madotto, Andrea; Fung, Pascale (17. November 2022). „Umfrage zur Halluzination bei der Erzeugung natürlicher Sprache“ . ACM-Computing-Umfragen . 55 (12) 3571730. arXiv : 2202.03629 . doi : 10.1145/3571730 . S2CID 246652372 . 

Weiterführende Literatur