文本生成的目标是让机器用人类语言表达。它是自然语言处理(NLP)中最重要也是最具挑战性的任务之一。自2014年以来，各种由Seq2Seq首创的神经编解码器模型被提出，通过学习将输入文本映射到输出文本来实现这一目标。然而，仅凭输入文本往往无法提供有限的知识来生成所需的输出，因此在许多真实场景中，文本生成的性能仍然远远不能令人满意。为了解决这个问题，研究人员考虑将输入文本之外的各种形式的知识纳入生成模型中。这一研究方向被称为知识增强文本生成。在这项综述中，我们提出了一个全面的综述，在过去的五年里，知识增强文本生成的研究。主要内容包括两部分:(一)将知识集成到文本生成中的一般方法和体系结构;(二)根据不同形式的知识数据的具体技术和应用。这项综述在学术界和工业可以有广泛的受众，研究人员和实践者。

https://arxiv.org/abs/2010.04389