摘要: 随着计算机技术的快速发展，人们在努力使机器变得更加人性化，因此，本文研究如何让机器智能地生成有说服力的自然语言描述的问题，该描述既要传达产品信息，又要提供与用户需求相关的解释。这个问题可能会受益于当前大量关于端到端深度神经网络的研... 展开 随着计算机技术的快速发展，人们在努力使机器变得更加人性化，因此，本文研究如何让机器智能地生成有说服力的自然语言描述的问题，该描述既要传达产品信息，又要提供与用户需求相关的解释。这个问题可能会受益于当前大量关于端到端深度神经网络的研究工作。然而，深度神经网络的成功归功于海量训练数据的支撑，我们无法获取大规模的具有说服力的文本描述，因此，缺乏标记数据和主观判断对训练这样一个模型提出了严峻挑战。 针对以上问题，我们将系统分为两部分，第一部分是弱监督框架，通过分析外部数据源中有说服力文本包含的修辞手法，词汇特征与语法特征，我们编写了一组具有高覆盖率和低准确度的规则，弱监督框架依据这些规则给未标注数据进行自动标注，生成带概率标签的训练数据，从而取得后续深度模型的训练数据，这是数据层面的解决方案。 第二部分是生成模型框架，为了加强用户消费场景与产品属性之间的关联，我们探索基于知识图谱的表征方式，以整合从异质信息源获得的知识，这是知识层面的解决方案。在模型层面，我们设计了编码器-解码器的框架，在编码层，我们提出了Global-Local模块来克服弱监督问题和场景和商品之间的依赖性，在解码层，我们增加了Copy机制来更好地处理OOV问题，使生成的文本描述更流畅。 通过与多种对比方法进行比较证明了我们系统的有效性和优越性。 收起