Feb, 2022

CLSEG：故事结局生成的对比学习

PDF
TL;DR该论文提出了一种基于对比学习的故事结尾生成框架 CLSEG，其采用多方面采样机制和特定于故事的对比训练策略来解决故事结尾与故事情节之间的一致性问题。实验证明，CLSEG 相对于基线方法表现更好，能够产生更具一致性和合理性的故事结尾。
story ending generationpre-trained language modelscontrastive learningmulti-aspect samplingconsistency
发现论文，激发创造
  • 从情节到结局：一种强化指针生成器用于故事结局生成

    本文介绍了 Story Ending Generation (SEG) 任务，提出了一个由 Generator 和 Reward Manager 组成的框架来生成一个连贯的故事结尾，其中 Generator 使用了指针生成网络与覆盖机制来处理词汇表外（OOV）和重复的单词，同时使用混合损失方法来生成具备高语义相关性的故事结尾，Reward Manager 使用策略梯度强化学习（PGRL）来微调 Generator，实验表明，相较于序列到序列基准模型，我们的模型在自动评估和人类评估中分别提高了 15.75％和 13.57％的 CIDEr 和一致性得分

    Jan, 2019

  • 不同人物的离子交换机制启发式结局生成器

    该研究提出了一个针对性地为每个角色生成结尾的算法 ——CoSEG，该算法包含三个模块，即角色建模、向量断裂 / 形成和注意机制。 实验结果表明，CoSEG 相对于现有的最先进方法在生成故事结尾的质量上取得了显着的提高，并且它可以有效地对不同角色进行结尾的定制。

    Sep, 2022

  • 多模态事件转换器用于图像引导的故事结尾生成

    提出了一种基于多模态事件转换器的图像引导故事结尾生成方法，该方法利用事件图、跨模态融合和事件推理等技术从故事情节和结尾图像中推导隐含信息，并在解码器中适应性地注入必要信息，实验证明其在故事结尾生成方面性能优于现有方法。

    Jan, 2023

  • 基于辨别式句子建模的故事结尾预测

    提出了一种用于预测故事结尾的神经网络，名为 Diff-Net，能够在三个语义层面上对两种结尾进行区分，并在 Story Cloze Test 数据集上获得了显著的性能提升，这将有助于未来的相关研究。

    Dec, 2019

  • WriterForcing：生成更有趣的故事结局

    本文研究了如何生成有趣的故事结局。我们提出了一种方法来使用关键短语并鼓励生成非泛化词汇，从而生成更多样化和有趣的结局。

    Jul, 2019

  • 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

  • 图像引导故事结尾生成的迭代对抗攻击

    本研究提出了一种迭代的对抗攻击方法（Iterative-attack），该方法融合了图像和文本攻击，可以更有效地搜索对抗性的文本和图像，从而提高多模态文本生成模型的对抗鲁棒性。实验结果表明，该方法优于现有的单模态和非迭代多模态攻击方法，这表明可以提高多模态文本生成模型的安全性。

    May, 2023

  • 生成、判别和对比：半监督句子表示学习框架

    本文提出了一种半监督句子嵌入框架 GenSE，通过使用大规模无标注数据，利用生成器 / 鉴别器模型进行句子对的合成和对比学习，实现对带标签和合成数据的句子表示学习，相对于目前最先进的方法，在四项领域适应任务上具有显着的性能提升，平均相关性得分为 85.19，证明了其高效性和一般化能力。

    Oct, 2022

  • 利用异构图网络将常识知识融入故事结尾生成

    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。

    Jan, 2022

  • 对话响应生成的局部解释

    该论文探讨在文本生成任务中模型自主的解释问题，提出了一种新方法 —— 文本生成的局部解释，并表明该方法可以有效地提取输入和输出之间的显式和隐式关系。

    Jun, 2021