AAAIApr, 2021

NAREOR：叙事重排问题

PDF
TL;DR本文提出和探讨了一项名为 “NAREOR” 的任务，即重写给定故事的叙述顺序，同时保留其情节。通过使用如 BART 和 T5 等最先进的模型，作者以非线性顺序重写了 ROCStories 中的故事，这是一个具有挑战性的任务，可用于创造更有趣的故事变体和作为时间 / 事件相关任务的对抗集。此外，该任务还有许多其他潜在的应用领域，例如语言技能教学和医学临床故事。
narrative reorderingrocstoriesbartt5natural language processing
发现论文，激发创造
  • 一切都有序吗？一个简单的排序句子的方法

    该研究提出了一种基于 Transformer 模型的 Reorder-BART 方法，旨在将文本中的乱序句子整合为有条理的文本，并在 7 个数据集上取得了较优的结果。其在零样本情况下也表现出良好的泛化能力。

    Apr, 2021

  • 使用循环神经网络对句子顺序和连贯性建模

    通过端到端的无监督深度学习方法，可以有效地建立并评估理解连贯文本结构的模型，从而实现有用的文本表示方法，有利于句子语义相似性和重复检测等 NLP 任务的完成。

    Nov, 2016

  • 叙事规划：平衡情节与角色

    该研究探讨了使用细分搜索解决情节生成问题的可能性，并提出了一种新型的细分搜索规划算法，可以创建具有因果关系的情节进展，并在识别可能的角色目标和创建计划结构方面解释为什么这些角色承诺他们的目标。结果表明，IPOCL 算法生成的叙述计划比传统的部分顺序规划器生成的计划更能支持观众理解角色意图。

    Jan, 2014

  • 非自回归句子排序

    提出了一种新颖的非自回归排序网络，探索了句子之间的双边依赖并并行预测每个位置的句子，实验证明该模型在句子排序任务中优于自回归方法并具有竞争性的性能。

    Oct, 2023

  • 裁剪图神经网络用于短篇小说排序

    该论文提出了一种基于图神经网络的新方法，通过构建短篇小说的句子 - 实体图并利用 BERT 模型来学习句子的语义表征，减少图中的噪声，结合多种现有方法进行聚合以提高句子排序的性能，效果显著，使完美匹配率和 Kendall's Tau 指标分别提高了 5% 和 4.3%。

    Mar, 2022

  • 通过因果、常识性情节排序自动生成故事

    研究自动故事情节生成并引入软因果关系概念，并通过 Causal, Commonsense Plot Ordering 算法来实现故事叙述。通过人类参与者协议评估系统，探究不同类型的常识推理和归纳偏差对于叙述质量的影响。

    Sep, 2020

  • 多文档新闻摘要中句子排序策略推断

    本研究旨在提出一种新闻类多文档摘要中信息排序的方法，该方法综合考虑事件的时间先后和主题相关性约束，经实验证实了该方法相对于两种基准方法有显著的排序改进。

    Jun, 2011

  • 从叙事的语义表示中生成不同的故事

    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

  • 叙事背景的图表示：通过回顾性问题实现连贯依赖

    通过利用 NARCO 图，在叙事理解中提供了一种新颖且实用的范式，其通过形成图表并描绘整个上下文的任务无关的连贯依赖关系，从而实现了回顾性自由形式问题、局部上下文扩充和广泛的应用。实验表明，利用 NARCO 的方法在所有三个任务中均提高了性能。

    Feb, 2024

  • 基于结构化数据的订单规划神经文本生成

    研究人员提出了一种基于训练有素的神经网络的文本生成模型，以便从结构化数据中（例如表格）生成自然文本，该模型能够捕捉不同字段之间的关系，以生成更流畅的文本。

    Sep, 2017