本论文由腾讯 AI Lab 主导，和厦门大学、西湖大学合做完成。做者提出基于“多视角重建”的损失函数提高文本生成的质量和忠实度，与此同时并无增长任何模型参数。函数
Structural Information Preserving for Graph-to-Text Generation性能
图到文本生成（graph-to-text generation）任务有着普遍的潜在应用，而且已经被应用在机器翻译等任务中。下图显示了两种图结构（语义图和知识图谱），分别表示“The boy wants the beautiful girl to eat lunch with him.”和“Above the Veil is an Australian novel and the sequel to Aenir. It was followed by Into the Battle.”学习
现有的该领域工做不断的提出更强大的模型来表示图信息，但模型依然是经过拟合到目标文本的基于语言模型（language modeling loss）的损失函数进行训练的，做为结果，模型会产生流畅的输出，但会丢失许多输入的重要信息。编码
本文提出了一种通用的基于“多视角重建”的损失函数来辅助模型训练。总的来讲，咱们提出了多种方法把输入的图投射到目标句子端，让解码器不只学习输出目标句子，还要输出投射的图结构，这样可以迫使模型在作生成的时候更好的记住输入内容。spa
上图展现了咱们的模型，其中“Encoder-Decoder”表明一种“structural-aware transformer” 的模型，它在多个图到文本生成任务重取得了最好的性能，它用右侧的基于语言模型的损失函数来训练。咱们提出两种“多视角重建”的损失函数，它们都是从解码器端进行计算，这样可以强化整个模型的训练（而不是只有编码器）。其中第一种视角（View 1）展示了图投射在目标语言上的形态，它相似于依存树，咱们用额外的Deep Baffine模型对它进行建模；另外第二种视角（View 2）展现了线性化后的图，咱们用一个标准的饿Transformer Decoder对它进行建模，最后对三部分损失加权获得最终的损失：翻译
为了验证做者在三个图到文本的标准数据集（LDC2015E86，LDC2017T10，WebNLG）上进行验证，分别取得了2.4+ BLEU score的提高，分别见表一、二、3，更多分析结果请参考原文code
表1: LDC2015E86上的结果orm
表2: LDC2017T10上的结果blog
表3: WebNLG上的结果it