Jan, 2019

从情节到结局：一种强化指针生成器用于故事结局生成

PDF
TL;DR本文介绍了 Story Ending Generation (SEG) 任务，提出了一个由 Generator 和 Reward Manager 组成的框架来生成一个连贯的故事结尾，其中 Generator 使用了指针生成网络与覆盖机制来处理词汇表外（OOV）和重复的单词，同时使用混合损失方法来生成具备高语义相关性的故事结尾，Reward Manager 使用策略梯度强化学习（PGRL）来微调 Generator，实验表明，相较于序列到序列基准模型，我们的模型在自动评估和人类评估中分别提高了 15.75％和 13.57％的 CIDEr 和一致性得分
发现论文，激发创造
  • CLSEG：故事结局生成的对比学习

    该论文提出了一种基于对比学习的故事结尾生成框架 CLSEG，其采用多方面采样机制和特定于故事的对比训练策略来解决故事结尾与故事情节之间的一致性问题。实验证明，CLSEG 相对于基线方法表现更好，能够产生更具一致性和合理性的故事结尾。

    Feb, 2022

  • WriterForcing：生成更有趣的故事结局

    本文研究了如何生成有趣的故事结局。我们提出了一种方法来使用关键短语并鼓励生成非泛化词汇，从而生成更多样化和有趣的结局。

    Jul, 2019

  • 多模态事件转换器用于图像引导的故事结尾生成

    提出了一种基于多模态事件转换器的图像引导故事结尾生成方法，该方法利用事件图、跨模态融合和事件推理等技术从故事情节和结尾图像中推导隐含信息，并在解码器中适应性地注入必要信息，实验证明其在故事结尾生成方面性能优于现有方法。

    Jan, 2023

  • 不同人物的离子交换机制启发式结局生成器

    该研究提出了一个针对性地为每个角色生成结尾的算法 ——CoSEG，该算法包含三个模块，即角色建模、向量断裂 / 形成和注意机制。 实验结果表明，CoSEG 相对于现有的最先进方法在生成故事结尾的质量上取得了显着的提高，并且它可以有效地对不同角色进行结尾的定制。

    Sep, 2022

  • 目标导向的故事生成：用强化学习增强生成式语言模型

    本文介绍了两种自动化技术，基于深度强化学习和奖励塑造来控制计算机生成的故事的情节，其中一种利用 PPO 对现有的基于变压器的语言模型进行微调，以生成既能连续文本又能寻求目标的故事；而另一种从不断展开的故事中提取出一个知识图谱，由含有图形注意力机制的策略网络选择由语言模型生成的一个候选连续行。我们根据自动化指标和人类参与者对连贯性和整体故事质量的排名来报告与基线和消融情况的比较。

    Dec, 2021

  • 回归起点：生成具有相关终点的叙事

    RENarGen 是一种可控的故事生成方法，通过确保首尾句子的相关性并填补中间句子，生成具有更好故事性闭环的故事，相关方法探索中包括书写学对语言模型的影响。

    Mar, 2024

  • 端到端故事情节生成器

    我们提出了三个模型：OpenPlot、E2EPlot 和 RLPlot 来解决自动生成故事情节的挑战。其中，OpenPlot 通过谨慎设计的提示替换了昂贵的 OpenAI API 调用，从而实现了廉价高质量的故事情节训练数据集生成；E2EPlot 通过监督微调训练生成了与 OpenPlot 可比质量的故事情节，并且速度快于 OpenPlot 超过 10 倍；最后，我们使用 RLHF 进一步对 RLPlot 进行微调，采用多个奖励模型优化故事质量的不同方面，在悬念和惊喜方面获得了 60.0% 的胜率。

    Oct, 2023

  • 利用异构图网络将常识知识融入故事结尾生成

    本文提出了一种 Story Heterogeneous Graph Network（SHGN）模型，能够准确理解故事上下文信息、处理故事线索深层含义，并通过多任务学习有效生成合理的故事结局，实验证明在 ROCStories Corpus 上达到了新的最佳表现。

    Jan, 2022

  • 利用指针生成网络进行摘要生成

    本文提出了一种新的架构，通过使用混合指针生成网络和覆盖机制以增强标准的序列到序列注意模型来解决神经序列到序列模型不精确复制信息和重复问题，该模型在 CNN/Daily Mail 摘要任务上表现优异。

    Apr, 2017

  • 指针生成网络：更抽象的摘要生成

    该研究提出了一种基于多头注意力机制、指针 dropout 和新的损失函数的方法，用于促进摘要的提取，同时保持类似 ROUGE 分数，实现了相对较高的新颖 N-gram 和句子生成率。

    Apr, 2019