本文介绍了 K-SportsSum，它是一个由大规模比赛实时评论和体育新闻构成的新数据集，并提出了一种知识增强式总结器，利用实时评论和知识来生成更具信息量的体育新闻，实验证明了我们的模型达到了新的最高水平。

Nov, 2021

本研究提出了 GOAL 基准测试，通过 22k 个句子和 42k 个知识三元组，对超过 8.9k 个足球视频剪辑进行挑战性的新任务设置，即基于知识的视频字幕生成，旨在生成关于特定领域场景的生动、细致的视频描述，为自动体育叙述等领域提供了广泛应用。同时，对现有方法进行实验改进，展示了解决这一有价值有应用的任务的困难和潜在方向。

Mar, 2023

本文提出了 GrOunded footbAlL commentaries（GOAL）数据集，该数据集包括了足球视频以及相应的英语实况解说文本，用于探究动态语言上下文，进一步提供了诸如帧重排序、时刻检索、实况解说检索、以及实况解说生成等四项任务的最新基线模型。实验结果表明，在大部分任务上，模型表现良好。

Nov, 2022

本文提出了一种利用音频和事件元数据生成足球比赛摘要的方法，在不同的数据集之间进行了泛化处理，并且可以提供不同的选项给最终编辑人员。

May, 2022

本文通过创建更强大的足球比赛评论生成基准数据集 SN-Caption-test-align，利用多模态时间对齐流程构建出高质量的训练数据集 MatchTime，训练了一个自动评论生成模型 MatchVoice，并通过广泛实验和消融研究证明了对齐流程的有效性和在评论生成任务中带来的显著性能提升。

Jun, 2024

本研究提出了一项从结构化数据记录中生成游戏评论的任务，利用一种大规模的电子竞技数据集和多种基线编码器 - 解码器模型以及一种层次模型来生成各个层面的比赛评论，结果表明层次模型优势明显，并且揭示了几个新任务带来的挑战。

Dec, 2022

本文提出了一种基于密集视频字幕的评论生成任务，旨在为足球比赛提供文字评论，以便广播公司能够将视频内容总结成同步且有意义的文字评论，从而更好地满足足球粉丝的需求，增强足球内容的可理解性和可访问性。

Apr, 2023

本研究介绍了一种基于在线知识库的数据集 WikiHow，包含超过 230,000 个文章和摘要对，用于评估现有的序列到序列模型在不同写作风格、更高语义抽象度的摘要中的性能。

Oct, 2018

本文提出了一个新的任务制定，旨在利用足球比赛的实时解说识别发生在比赛中的事件，验证了将体育赛事作为自然语言理解和状态追踪的简单、完全可观测系统的可行性，并证明在定义宽泛的状态或非事件交谈变得流行时，即使对于先进的现有方法，如具有时间依赖性的句子分类和当前最先进的生成模型在状态跟踪任务上仍然具有挑战性。

Jun, 2021

本文介绍了第一个专门设计用于体育视频问答任务的数据集 ——Sports-QA 数据集，并提出了一种新的自动聚焦 Transformer（AFT），用于自动关注在问题回答中特定时间尺度的信息，通过对 Sports-QA 数据集的广泛实验研究，结果表明我们的 AFT 达到了最先进的性能。

Jan, 2024