文档结构化是自然语言生成的一个子任务，涉及决定生成文本中句子的顺序和分组（例如段落）。它与内容确定这一NLG任务密切相关，后者决定要包含哪些信息。其目标是从读者的角度生成连贯且组织良好的文本，而非简单的事实随机排列。
例如，考虑关于周末天气预报的四个句子：“周六会下雨”、“周日会晴天”、“周六最高气温为10°C”和“周日最高气温为15°C”。这些消息有24种（4的阶乘）可能的排列顺序。人类读者偏好某些顺序，例如按天分组天气状况（周六下雨和10°C，然后周日晴天和15°C），而非逻辑性较差的序列。类似地，对于任何顺序，有多种方式将句子分组为段落；对于四个句子，有8种（2的3次方）可能的段落分组。读者通常偏好将相关信息聚类的分组，例如（12）（34）优于（1）（23）（4）。
方法与算法
文档结构化存在三种经典方法：模式、基于语料库的方法和基于启发式的方法。模式是明确指定句子顺序和分组的模板，通常通过手动分析目标体裁中人类撰写文本的语料库得出。它们适用于短文本（五个句子或更少）或具有标准化结构的文本，但在处理较长或结构较不固定的文本时则力不从心。
基于语料库的结构化利用文本语料库的统计分析来自动构建顺序和分组模型。这种技术常见于自动摘要中，程序据此生成文档摘要。原则上，它可应用于从非语言数据生成的文本，但这项工作仍处于起步阶段，部分原因是NLG系统被期望产生高质量文本，而自动摘要往往达不到这一要求。
基于启发式的结构化依赖于源自修辞理论、心理语言学模型或直觉与用户反馈的规则。这种方法可以专注于对读者最有利的内容，不同于模仿作者的模式或语料库方法，但实施起来较为困难，因为启发式规则往往依赖于句子间关系的语义信息，而这些信息可能不易获得。
现代神经方法
近期在深度学习和大型语言模型方面的进展已将文档结构化转向端到端的神经文本生成。基于变换器和神经网络的系统从大型训练语料库中隐式学习顺序和分组，而非通过显式规则或模板。这种方法被来自OpenAI、Anthropic和Google DeepMind等组织的模型所采用，能生成流畅的文本，但仍可能出现连贯性和话语组织问题，如逻辑跳跃或段落分组不当。
这些模型常采用位置编码和多头注意力等技术来捕捉句子关系，但文档结构化仍是一个挑战，因为它需要超越局部单词预测的全局连贯性。人工智能领域的研究持续探索如何改进这一点，一些工作借鉴课程学习或基于AI反馈的强化学习来优化文本组织。
叙事生成
文档结构化的最终挑战是生成良好的叙事：一种设定场景、引入概述、清晰描述事件以便读者理解其关联，并以总结收尾的文本。这适用于事实性文本和故事。当前的NLG系统往往在此方面失败，这是用户批评的主要来源。在所有NLG方面生成良好叙事都很困难，但文档结构化可以说是最根本的障碍。
评估与挑战
评估文档结构化通常涉及人类对连贯性和可读性的判断，因为读者偏好某些顺序和分组。自动化指标较少见，因为连贯性是主观且依赖上下文的。挑战包括处理长文档、适应不同体裁，以及确保生成文本满足读者期望，尤其是当源数据为非语言数据时。截至2020年代初，没有单一方法能完全解决这些问题，结合启发式与神经生成的混合方法是活跃的研究领域。