要利用机器学习提高自然语言生成的效果，可以采取以下几个步骤
收集大量的文本数据，用于训练自然语言生成模型。数据的数量和质量直接影响到模型的效果。
对文本数据进行清洗、分词、去停用词等预处理工作，使得数据符合机器学习算法的输入格式，同时去除一些噪声和无关信息。
提取有用的特征信息，可以使用常用的技术，如词袋模型、TF-IDF、Word2Vec、BERT等，以提取文本的语义和上下文信息。
选择合适的机器学习算法，并使用训练数据对模型进行训练。常用的算法包括朴素贝叶斯、决策树、随机森林、深度神经网络等。
对训练好的模型进行超参数调优，以提高模型的泛化能力和准确率。
对训练好的模型进行评估，以验证其效果。可以使用交叉验证、ROC曲线、混淆矩阵等指标来评估模型的性能。
将训练好的模型应用于实际场景中，比如聊天机器人、智能客服、文章生成等。
需要注意的是，自然语言生成是一个非常复杂的任务，需要综合运用多种技术和方法来提高其效果。此外，数据的质量和数量对模型的效果也有非常大的影响。