使用基于神经网络的合奏模型生成事件导向的自动故事情节,比基线方法生成的故事更连贯和可信。
Sep, 2019
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
通过事件图谱,本论文提出构建事件序列以引导生成器的方法来生成故事,实现故事的高水平理解和语义理解,从而产生更多逻辑上正确的事件序列和故事。
Feb, 2021
本文探讨了根据标题生成故事的开放域故事生成,提出了一种计划和写作的分层式生成框架,比较了两种规划策略,并通过实验表明了明确的故事情节规划会让生成的故事更加多样化、连贯且主题贴切。
Nov, 2018
本文提出了一种基于潜在变量模型的神经故事生成方法,采用外部摘要模型指导该方法从训练数据中学习生成具有可解释高级情节的概述,并在自动和人类评估中取得了显著的改进。
Dec, 2019
通过引入 reward-shaping 技术的方法,研究表明,基于语言模型的故事情节生成方法可以生成满足特定目标的故事情节,并且比基线情节生成技术具有更合理的事件顺序。
Sep, 2018
提出了一种新方法 ScratchPlot,使用 Pre-trained language models,利用 content planning 生成故事情节,并使用 generate-and-rank approach 对所生成的(story, ending)pairs 进行排序。实验表明,在人类评估和自动评估中都获得了更好的结果。
Jun, 2022
探索在自动化故事生成方面的事件表示,技术预处理为事件序列,并将问题分解为连续事件与事件的自然语言句子生成,比较不同事件表示对事件的继承和文本生成的影响。
Jun, 2017
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
通过使用具有高质量内容规划和根据亚里士多德诗学详细描述的优秀剧情编写方面的集合进行语言模型的情节生成,可以解决故事生成的问题,并发现经过良好规划的情节结构的故事比不具备内容规划或者使用不合适的规划方式的基准更加相关和高品质。