这个问题是要学习和了解特定技术是否存在。以下是该方案。
我们将提供200个英语单词。软件可以添加额外的40个字，这是200的20％。现在，使用这些，软件应该编写对话框，有意义的对话框，没有语法错误。
为此，我调查了Spintax和Article Spinning。但你知道他们做了什么，拿现有的文章并重写它。但这不是最好的方法（是吗？请告诉我，如果它是好的）。那么，有没有能够做到这一点的技术？可能是谷歌使用的语义理论吗？任何经证实的AI方法？
请帮忙。
答案 0 :(得分：9)
首先，请注意：这是自然语言生成（NLG）研究的前沿，而且最先进的研究出版物还不够好取代人类老师。对于英语作为第二语言（ESL）的学生来说，这个问题尤为复杂，因为在将知识转化为英语之前，他们倾向于用自己的母语思考。如果我们无视这个可怕的前奏，那么解决这个问题的正常方法如下：
NLG由三个主要组成部分组成：
内容规划：此阶段将通信的高级目标分解为结构化的原子目标。这些原子目标很小，只需通过一个通信步骤即可达到（例如，在单个子句中）。
句子规划：在这里，实际的lexemes（即带有明确语义的单词或单词部分）被选择为原子交流目标的一部分。词汇通过谓词 - 参数结构连接起来。句子规划阶段也决定句子边界。 （例如，学生应该写“我去了那里，但她已经离开了。”或“我去那里看她。她已经离开了。”......注意不同的句子边界和不同的词汇，但两个答案都表明同样的意思。）
表面实现：在句子规划步骤中获得的半成形结构通过合并function words（确定者，辅助者等）和变形而变形为适当的形式。
在您的特定场景中，大多数单词已经提供，因此选择词汇将相对简单。需要通过使用合适的概率学习模型（例如hidden Markov models）来学习连接词汇的谓词 - 论证结构。表面实现，确保最终正确的语法结构，应该是语法规则和statistical language models的组合。
在高级别，请注意内容规划与语言无关（但很可能是依赖于文化的），而最后两个阶段则取决于语言。
作为最后一点，我想补充一点，40个额外单词的选择是我所掩盖的，但它并不比这个过程的其他部分重要。在我看来，这些额外的单词应该根据他们与200个给定单词的组合关系来选择。
有关更多详细信息，以下两篇文章提供了一个良好的开端（完成了流程架构，示例等）：
为了更好地理解组合关系的概念，我发现Sahlgren's article on distributional hypothesis非常有帮助。他的工作中的分布式方法也可以用来学习我之前提到的谓词 - 论证结构。
最后，要添加一些可用工具：请查看this ACL list of NLG systems。我没有使用过它们，但我听说过SPUD和OpenCCG的好消息。