该研究探讨了故事生成:创作系统可以在一个主题上构建连贯流畅的文本段落,使用一个大规模的数据集,通过分层式故事生成模型,研究人员成功地实现了模型融合,引入了新的门控多尺度自注意机制,并在自动化和人工评估中实现了显著的改进。
May, 2018
本文探讨了根据标题生成故事的开放域故事生成,提出了一种计划和写作的分层式生成框架,比较了两种规划策略,并通过实验表明了明确的故事情节规划会让生成的故事更加多样化、连贯且主题贴切。
Nov, 2018
通过使用具有高质量内容规划和根据亚里士多德诗学详细描述的优秀剧情编写方面的集合进行语言模型的情节生成,可以解决故事生成的问题,并发现经过良好规划的情节结构的故事比不具备内容规划或者使用不合适的规划方式的基准更加相关和高品质。
Sep, 2020
提出了一种新方法 ScratchPlot,使用 Pre-trained language models,利用 content planning 生成故事情节,并使用 generate-and-rank approach 对所生成的(story, ending)pairs 进行排序。实验表明,在人类评估和自动评估中都获得了更好的结果。
Jun, 2022
使用迭代提示基于规划的方法,这篇论文首次尝试使用大型语言模型进行悬疑故事生成,并通过广泛的人类评估证明了方法的有效性。
Feb, 2024
通过端到端训练的两步生成模型,即首先由句子级内容规划器决定涵盖的关键词组和所需的语言风格,然后由表面实现解码器生成相关和连贯的文本,可以显著优于现有竞争模型,在 Reddit 的说服性论证、维基百科的正常和简单版本的段落生成以及科学文章的摘要生成等任务中得到验证。
Sep, 2019
使用基于神经网络的合奏模型生成事件导向的自动故事情节,比基线方法生成的故事更连贯和可信。
使用潜在空间中的统计工具,比较语言模型生成的文本与真实数据的分布,评估生成文本的高级结构,发现基于 Transformer 的语言模型能够捕捉主题结构,但在维持结构连贯性和建模指代关系方面存在困难。
Oct, 2022
通过事件图谱,本论文提出构建事件序列以引导生成器的方法来生成故事,实现故事的高水平理解和语义理解,从而产生更多逻辑上正确的事件序列和故事。
Feb, 2021
本文提出了一个新的任务 —— 风格化故事生成,即在给定前导的情况下生成带有指定风格的故事,并提出了一种新颖的生成模型来解决这个问题,该模型首先规划出风格化关键词,然后在关键词的指导下生成整个故事。此外,提出了两种自动度量标准来评估所生成的故事与指定风格之间的一致性。实验证明,我们的模型能够根据 ROCStories 数据集(Mostafazadeh et al.,2016)可控地生成情感驱动或事件驱动的故事,为进一步研究风格化故事生成提供了见解。
May, 2021