본 논문은 지식 기반 텍스트 생성의 품질을 향상시키기 위해 구조화된 지식을 활용하는 새로운 접근 방식을 제시합니다. 특히, 모델의 해석 가능성을 높이는 데 초점을 맞춰, 고수준의 엔티티와 저수준의 지식 삼중항으로 구성된 2단계 구조를 활용하는 task-agnostic structured knowledge hunter를 설계했습니다. 이 모델은 로컬-글로벌 상호 작용 방식의 지식 표현 학습과 계층적 변환기 기반 포인터 네트워크를 사용하여 관련 지식 삼중항과 엔티티를 선택합니다. RotoWireFG 데이터셋의 내부 지식 기반 표-텍스트 생성과 KdConv 데이터셋의 외부 지식 기반 대화 응답 생성에 대한 실험을 통해, 본 모델이 기존 방법 및 언어 모델보다 우수한 성능을 보임을 입증했습니다.
