CONT: Contrastive Neural Text Generation

1. 首先，CONT使用自己的预测中的负面例子（§3.1）来构建B集。（原因解释：Kalkstein等人[18]指出，使用不同的对比性样本有助于提高模型的泛化能力。因此，我们使用多样化的beam
   search搜索算法[49]，从模型lasted
   predictions的top-K列表中创建对比性样本，然后将其附加到同批次的样本中，形成对比性样本。）
2. 第二，CONT用N对对比损失（公式3）代替InfoNCE损失（公式2），该损失利用了由所有配对的序列级分数给出的更精细的监督（公式3.2）。

Given a input sequence x, the ground truth y, and a set of K contrastive samples B = {y1
, y2, · · · , yK}，可以构建出多对example pairs. pairs对之间的损失函数如下：

3. 第三，CONT将学到的相似性函数直接纳入其推理得分（§3.3）。