让你的角色讲述他们的故事:面向角色的叙事理解数据集
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
这篇论文介绍了一个名为 PersoNet 的数据集,该数据集是研究角色个性的第一个标记数据集,并且通过在线阅读应用程序中用户笔记的注释策略进行了标注。实验和人类研究表明,我们的数据集构建既高效又准确,并且我们的任务需要长期的上下文才能为机器和人类获得准确的预测结果。
May, 2023
我们提出使用角色概况任务来评估大型语言模型(LLMs)的角色理解能力,通过从对应的材料中总结角色概况,构建 CroSS 数据集并比较与下游任务的适用性,我们的实验结果强有力地验证了 LLMs 的角色理解能力,并且我们相信我们构建的资源将促进该领域的进一步研究。
Apr, 2024
这篇论文提出了两个任务,包括对话生成和对话说话者识别,并构建了一个新的数据集 DialStory 以进行评估,同时提出了学习显式角色表示以提高性能,并通过实验和案例研究表明,我们的方法可生成更连贯和信息量更大的对话,并实现了比强基线更高的说话者识别准确度。
Sep, 2022
我们提出了一个多级对比学习框架来捕捉角色的全局信息,通过与强大的预训练语言模型进行比较,在角色理解的三个子任务中我们的方法显著提高了性能,并通过进一步深入分析展示了方法的有效性和对角色理解场景的指导意义。
Oct, 2023
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
通过该研究,提出了一种基于电视剧脚本的 TVShowGuess 任务来评估机器对叙事故事中虚构人物理解能力的新方法,并且证明了这种任务覆盖了多种类型的人物特质和能力,进一步提出了支持长场景文本的上下文编码的新模型结构。实验表明,新模型的性能明显优于基线,但仍大大落后于人类表现。 该研究初步探索了叙事性角色理解的目标。
Apr, 2022
本文介绍了 VIST 角色数据集,提出了重要角色检测和角色定位两个任务,并开发了基于分布相似性和预训练视觉和语言模型的简单无监督模型。这些模型和数据集可为基于角色视角的故事分析和生成工作提供基础。
Mar, 2023
本文对叙事理解任务进行了综合调查,详细研究了其关键特征、定义、分类、相关数据集、训练目标、评估指标和局限性。此外,我们探讨了将模块化大型语言模型的能力扩展到新的叙事理解任务的潜力,并通过将叙事理解视为提取作者想象线索的方式,引入了增强叙事理解的新方法。
Oct, 2023
研究了自然语言文本的故事结构,提出了一个新的数据集 DesireDB,用于识别和跟踪人物的目标和愿望,并展示了基于 LSTM Skip-Thought 模型的追踪愿望实现的实验结果。
Aug, 2017