Jan, 2022

利用异构图网络将常识知识融入故事结尾生成

PDF
TL;DR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。
story ending generationgraph networkmulti-task learningcommonsense knowledgerocstories corpus
发现论文，激发创造
  • 使用增量编码和常识知识生成故事结尾

    本文提出了一种新型的故事结尾生成模型，该模型采用增量编码方案来表示故事情境中的上下文线索，并通过多源注意力引入常识知识以促进故事理解和生成连贯、合理的结尾。模型能够通过构建上下文线索与使用隐含知识生成更合理的故事结尾。

    Aug, 2018

  • 学习常识推理的情境化知识结构

    该研究提出一种名为 Hybrid Graph Network（HGN）的知识图谱（KG）增强模型，通过在一个统一的图结构中同时推理提取和生成的知识来解决 KG 边缘稀疏和嘈杂的问题，证明了该模型在四个常识推理基准测试中取得的相当大的性能增益，并研究了边缘有效性和帮助性。

    Oct, 2020

  • 在故事完成中融合结构化常识知识

    本文提出一种神经模型，通过整合叙事顺序、情感演变和背景常识等三种信息，有效提高了对 ROCStory Cloze 任务的预测准确率。

    Nov, 2018

  • 基于异构图网络的常识知识引入抽象对话摘要

    该论文介绍了一种新型的多说话者对话摘要生成器，利用大规模的常识知识来促进对话理解和总结生成。实验表明我们的模型能够优化 SAMSum 数据集，并且也能够更好地适用于新领域的零样本实验。

    Oct, 2020

  • CADGE：基于图结构知识聚合的上下文感知对话生成

    本文提出一种基于上下文感知的图注意力模型 (Context-aware GAT)，可以在知识聚合流程中有效地整合相关知识图的全局特征，并且优于传统基于图神经网络 (GNNs) 的语言框架。

    May, 2023

  • 基于图的异构外部知识推理用于常识问答

    本文提出了一种基于知识库和维基百科文本的异构证据自动提取方法以回答常识问题，通过构建图形结构并使用图形卷积网络对邻居信息进行编码并利用图形注意力机制聚合证据来预测最终答案，成功地提高了 CommonsenseQA 数据集上的准确性达到了最先进水平。

    Sep, 2019

  • 基于知识增强的通识常识故事生成预训练模型

    本文针对故事生成中存在的重复、逻辑冲突和长距离一致性缺乏等问题，提出了一种基于知识增强预训练模型的通用故事生成方法。通过利用外部知识库中的常识知识来生成合理的故事，并采用多任务学习的方法来捕捉合理故事中句子之间的因果关系和时间依赖关系，从而在逻辑和整体一致性方面比其他最先进的模型有更好的表现。

    Jan, 2020

  • 将知识图谱桥接生成场景图

    本文提出了一种将场景图像与通识知识图谱相结合的新型神经网络方法 GB-Net，通过迭代循环优化信息传达的方式同时实现场景图与通识图的节点连接和边连接，取得了优越的分析表现并创造了新的最优水平。

    Jan, 2020

  • 将常识世界模型注入图谱知识

    本文研究在一个开放式世界的文本冒险游戏中生成叙事的设定，使用游戏状态的图形表示来训练模型，可以消耗和输出基于图形的表示和自然语言描述和动作。通过结合众包和模拟游戏玩法构建一组大量的任务和复杂的动作数据集来构建这样的模型，发现通过在图形上下文和目标上训练可以改善动作叙述模型的一致性，即使在测试时没有图形。这在自动指标和人类评估中都得到了证明。我们计划公开代码、新一组任务和最佳表现模型。

    Jan, 2023

  • 知识增强型视觉叙事

    该研究提出了 KG-Story，这是一个通过使用外部知识图谱生成有趣故事的三阶段框架，采用序列化的照片作为输入，比起现有最先进的系统，经人类评价的结果表明 KG-Story 产生的故事平均排名更好。

    Dec, 2019