张 旭，王旭强，田雨婷，杨 青，孟 洁

(国网天津市电力公司 信息通信公司，天津 300010)

随着信息技术的发展，各行各业积累了大量的行业数据。这些数据与人类社会的生产管理息息相关，是各领域分析研究的主要对象。结构化数据格式简单、便于记录与存储，是最普遍存在的数据形式之一，例如公司的财务报表、设备传感器记录等。但结构化数据通常具有很强的领域性，缺乏行业知识的人很难理解其数值与指标背后的含义。因此，如何准确高效地传达结构化数据中的语义信息是一个重要的研究方向。数据到文本的生成逐渐成为自然语言生成领域一个重要的跨模态生成任务，研究成果已广泛应用于天气预报[1]、新闻媒体[2-4]等领域。早期的研究[5-7]主要通过人工规则、模块式系统等方式生成文本。随着深度学习技术的发展，近期的研究主要采用端到端的学习方式[8-11]，通过数据驱动的形式进行学习和训练，避免繁琐的人工规则，并使得生成的结果更灵活多样。

然而，数据到文本生成还有很大的空间亟待探索。其中一个重要原因是，传统的数据到文本生成任务只涉及数据内容的复述，而不涉及深入的分析推理，这在一定程度上限制了数据到文本生成任务的发展。例如，“公司本期流动比率2.06，去年同期为1.81”这句话虽然准确传达了数据表中的信息，但对于缺乏专业知识的读者来说仍然无法准确理解其背后的含义。如果文本内容为“公司偿债能力维持稳定，短期偿债能力具有一定的保障”，则更容易被读者理解。……