从叙事文本中自动获取行为模型

Jul, 2023

Automated Action Model Acquisition from Narrative Texts

Ruiqi Li, Leyang Cui, Songtuan Lin, Patrik Haslum

TL;DR通过预测常识事件关系以及文本中的矛盾和相似之处，NaRuto 以无监督的方式从叙事文本中提取结构化事件，并生成基于计划语言风格的动作模型，实验结果显示在经典叙事规划领域中，NaRuto 能够生成比现有的全自动方法质量更好的动作模型，甚至与半自动方法相媲美。

Abstract

action models, which take the form of precondition/effect axioms, facilitate causal and motivational connections between actions for AI agents. Action model acquisition has been identified as a bottleneck in the

action models acquisition narrative planning structured events automated methods

发现论文，激发创造

计划中基于文本的动作模型获取

本论文提出了一种利用自然语言处理和约束满足技术从文本描述中学习行动模型的方法，通过构建一种新型语言模型提取计划轨迹并建立一组约束条件来生成行动模型。实验结果表明这种方法是有效而高效的。

Feb, 2022

神经故事规划

本文提出了一种将因果规划与神经语言模型统一起来的故事情节生成方法，该方法利用从大型语言模型中提取的常识知识以递归反向链接的方式扩展故事情节，并通过自动化评估证明相对于其他强基线方法它能生成更具连贯性的情节。

Dec, 2022

基于深度强化学习从文本中提取动作序列

本文运用基于深度强化学习的 Q-networks 模型，以自然语言文本为基础，从中无限制提取行动序列，通过在线实验与现有技术进行比较，证明了本方法的有效性。

Mar, 2018

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

基于叙述的后验推理在认知机器人技术中的应用

在自主轮椅机器人控制任务中，通过应用驱动的工作，利用智能环境框架获取基于叙述式知识的环境信息，通过机器人认识模型的稳定模型后预测异常并进行即时控制，具体使用了基于答案集编程的近似认识动作理论计划器实现了整体推理。

Jun, 2013

注入常识知识对动作和状态变化的推理

本文探讨了通过引入全局常识约束和利用大规模语料库的先验知识，将预测性文本描述中的操作和状态更改建模，从而提高神经结构预测模型的准确性和可靠性，并在基准数据集上展示了相对增益为 8％的结果。

Aug, 2018

文本输入模态对动作预测效果的研究

我们提出了一种多模态预测变压器（MAT）架构，它使用来自多模态特征和文本字幕的信息来预测未来的动作。通过对预训练阶段的动作描述和模态特征融合期间检测到的对象和动作的文本输入进行扩展实验，我们评估了预训练阶段的有效性，并在所有数据集上展示了我们模型的优势。此外，我们还评估了通过文本获取的对象和动作信息的影响，并进行了广泛的消融实验。在 EpicKitchens-100、EpicKitchens-55 和 EGTEA GAZE + 三个数据集上评估表现，结果显示文本描述确实有助于更有效的动作预测。

Jan, 2024

用自然语言总结虚拟机器人的过去动作

我们提出并展示了在虚拟环境中给出机器人行为的自然语言摘要的任务，针对该任务，我们提出并测试了几种生成这样摘要的方法，并设计了一个基准模型，可作为未来工作的基础。

Mar, 2022

从自然语言文本中自动提取因果关系：综述

本文综述了早期人类构造的语言和句法规则以及最新机器学习技术在提取因果关系上的应用，并分析了它们的优劣，建议未来的研究方向。

May, 2016

学习虚拟机器人历史行为概括与问答

通过自然语言处理，机器学习研究了通过视频和提示对机器人过去动作进行总结和问题回答，并开发了自动生成问题与答案的方法。将总结和问题回答集成于单一系统，通过零 - shot 迁移学习来提高动作总结的准确性。

Jun, 2023