AMERICANO: Argument Generation with Discourse-driven Decomposition and Agent Interaction

📄 arXiv: 2310.20352v2 📥 PDF

作者: Zhe Hu, Hou Pong Chan, Yu Yin

分类: cs.CL

发布日期: 2023-10-31 (更新: 2024-09-02)

备注: INLG 2024

💡 一句话要点

提出AMERICANO框架以解决论证生成问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 论证生成 自然语言处理 链式思维 代理交互 论证精炼 生成模型 推理

📋 核心要点

  1. 现有的论证生成方法在推理严谨性和内容组织上存在不足，难以生成高质量的论证。
  2. AMERICANO框架通过将生成过程分解为顺序动作，并引入代理交互和论证精炼模块，提升了生成质量。
  3. 实验结果显示，AMERICANO在反驳论证生成任务中优于传统方法，生成的论证更具连贯性和说服力。

📝 摘要（中文）

论证生成是自然语言处理中的一项挑战性任务，要求严谨的推理和合理的内容组织。受近期链式思维提示的启发，本文提出了AMERICANO，一个具有代理交互的论证生成新框架。该方法基于论证理论将生成过程分解为顺序动作，首先生成论证话语组件，然后基于这些组件生成最终论证。为了更好地模拟人类写作过程并改进当前自回归语言模型的生成方式，本文引入了论证精炼模块，自动评估和优化论证草稿。通过在Reddit/CMV数据集的反驳论证生成任务上进行评估，结果表明该方法在连贯性和说服力上优于现有的端到端和链式思维提示方法。

🔬 方法详解

问题定义：本文旨在解决论证生成中的推理和内容组织问题。现有方法往往缺乏系统性，导致生成的论证质量不高。

核心思路：AMERICANO框架通过将论证生成过程分解为多个顺序动作，模拟人类的写作过程，从而提高生成的连贯性和说服力。

技术框架：该框架包括两个主要模块：首先是生成论证话语组件的顺序动作，其次是基于这些组件生成最终论证的过程。此外，论证精炼模块用于自动评估和优化生成的论证草稿。

关键创新：AMERICANO的创新在于引入了代理交互和论证精炼模块，使得生成过程更贴近人类写作，并显著提升了生成质量。与现有方法相比，其在生成连贯性和内容丰富性上具有显著优势。

关键设计：在设计上，AMERICANO采用了基于论证理论的分解策略，结合自回归模型的生成机制，确保生成的论证结构合理且内容丰富。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在反驳论证生成任务中，AMERICANO框架的实验结果显示出显著的性能提升，相较于传统的端到端和链式思维提示方法，其生成的论证在连贯性和说服力上均有明显改善，具体性能数据未详细披露。

🎯 应用场景

AMERICANO框架在教育、法律和辩论等领域具有广泛的应用潜力。它可以用于自动生成高质量的论证文本，帮助用户在撰写论文、法律文件或进行辩论时提供支持，提升写作效率和质量。未来，该框架还可能扩展到其他自然语言生成任务中，推动相关领域的发展。

📄 摘要（原文）

Argument generation is a challenging task in natural language processing, which requires rigorous reasoning and proper content organization. Inspired by recent chain-of-thought prompting that breaks down a complex task into intermediate steps, we propose Americano, a novel framework with agent interaction for argument generation. Our approach decomposes the generation process into sequential actions grounded on argumentation theory, which first executes actions sequentially to generate argumentative discourse components, and then produces a final argument conditioned on the components. To further mimic the human writing process and improve the left-to-right generation paradigm of current autoregressive language models, we introduce an argument refinement module which automatically evaluates and refines argument drafts based on feedback received. We evaluate our framework on the task of counterargument generation using a subset of Reddit/CMV dataset. The results show that our method outperforms both end-to-end and chain-of-thought prompting methods and can generate more coherent and persuasive arguments with diverse and rich contents.