实体化的激励对话故事讲述
通过自然语言序列到序列生成框架,本研究首次在开放的 DreamBank 梦境叙述语料库的英文部分中对字符和情感进行检测,结果显示语言模型能够有效应对这一复杂任务。
Mar, 2024
我们的文章主要调查了人类与情感之间的关系,包括娱乐、广告和教育等多种方面,并介绍了专业讲故事者所使用的创作技巧,旨在进一步促进计算故事研究与人类创造性写作之间的新交叉领域。
May, 2022
本文探讨以人物为驱动的故事延续,引入角色之间的第一人称和第二人称叙述以及对话,需要模型选择与角色个性和关系一致并推动故事发展的语言。我们假设在训练人物对话和关系信息的多任务模型的基础上,改进了基于 Transformer 的故事延续。为此,我们拓展了 Critical Role Dungeons and Dragons 数据集,并通过自动提取每对交互角色之间的关系和他们的个性。一系列实验为我们的假设提供了证据,表明我们使用人物关系的多任务模型相对于强基线能够提高故事延续的准确性。
May, 2021
本文介绍了一种将 Scheherazade 故事意图图转换成人物 NLG 引擎所需输入的自动方法,使用 36 个 Aesop 寓言进行测试,结果表明我们可以生成正确内容,平均与 Scheherazade 实现器的输出接近。
Aug, 2017
该研究利用 VIST 数据集,提出了一个模型,通过隐式学习提供的角色之间的关系,生成关注的角色的故事,旨在解决基于图像序列生成故事时,模型忽略可能存在的人和动物角色的问题。
Sep, 2019
利用大型语言模型生成人类般的回复,通过提取故事中的人物特点,引入 NarrativePlay 系统,允许用户在沉浸式环境中扮演虚构角色并与其他角色互动,自动生成故事情境、角色形象和对话,大大提升用户体验。该系统关注用户所选角色视角下从故事中提取的主要情节事件,并在两种类型的故事中进行评估:侦探故事和冒险故事,用户可以通过对话探索世界或改善与故事角色的关系。
Oct, 2023
基于图像流生成合理和生动的故事情节的多模态的人类水平故事生成方法 LLaMS 通过充分利用 LLM 中的常识知识,首先采用序列数据自动增强策略来增强实际内容表达,并利用文本推理架构进行表达性故事生成和预测;其次,我们提出故事插图生成的 SQ-Adapter 模块来保持序列一致性。通过人工评估验证了 LLaMS 提出方法的优越性,与之前的 SOTA 方法相比具有最先进的故事性能,具有 86% 的相关性和 100% 的一致性胜率。此外,还进行了消融实验以验证所提出的序列数据增强和 SQ-Adapter 的有效性。
Mar, 2024
StoryAgent 框架利用大型语言模型和生成工具自动化和完善数字叙事,通过自上而下的故事起草和自下而上的资源生成方法解决手动介入、交互式场景编排和叙事连贯性等关键问题,实现了跨多种形式的交互式、连贯的故事高效制作,使内容创作更具民主性并增强参与度,而且无需参考视频,标志着自动化数字叙事的重大进展。
Jun, 2024
本文提出了两项理解任务和两项生成任务,以评估机器的道德故事理解和写作能力,并提供了一个新的汉英双语人工写作的道德故事数据集 STORAL,使用检索增强算法对模型进行训练,并在自动和手动评估中测试了不同模型的性能。
Apr, 2022