分析体育评论以自动识别事件并提取观点
通过对主流大型语言模型在各种体育任务上进行广泛评估,我们揭示了自然语言处理中体育理解的关键挑战,并提出了一个基于现有体育数据集的全面概述的新基准,以帮助确定未来的研究优先事项。
Jun, 2024
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
本论文提出了一种新颖的方法,通过提取直播文本中的关键时刻,并使用它们创建新闻的初始草稿,进一步通过特殊设计的体育知识图谱中的关键细节和背景信息进行改进,利用融合卷积神经网络和变换器编码器的多阶段学习模型,通过处理器计算不完整三元组的匹配分数,解决了少样本知识图谱补全问题,并经过主客观评估确认其能够彻底改变体育新闻的创作方式。
Feb, 2024
本文提出采用多模态、多语言分析方法预测体育视频集锦的问题,并分析基于联合视觉特征和以实时观众的英文和繁体中文的复杂俚语文本分析的方法。作者基于北美和台湾的 Twitch.tv 频道的英雄联盟冠军系列记录创建了一个新的数据集,并表明了采用基于字符级卷积神经网络(CNN-RNN)模型的强大结果。该数据集将进一步用于研究。
Jul, 2017
该论文提出了一种通过深度神经网络对运动员的动作进行分类来生成运动视频摘要的方法,并采用日本剑术 Kendo 作为例子进行了评估,结果表明该方法优于之前的摘要方法。
Sep, 2017
本研究通过对不同场景下内容结构研究所提供的深刻解释,从内容感知的角度,对广播体育的内容感知系统的相关主题进行了总结,重点关注了过去十年在体育节目中应用的视频内容分析技术以及针对对象、事件和上下文的分析方法,旨在确定用户需求。最后,本文总结了广播体育视频分析的未来趋势与挑战。
Mar, 2017
该论文介绍了一种预测足球比赛中下一个事件的方法,该方法受到大型语言模型的启发,通过深度学习在公开可用的 WyScout 数据集上提供了新颖的技术,显著改进了以前的大事件模型在关键领域(如下一个事件类型的预测准确性)的性能,同时提供了用于多方面分析的模拟背景,奠定了多元分析管道的基础框架。
Feb, 2024
本文提出了一种基于多阶段范式的方法,通过使用动作认知模型提取高级语义特征和设计转换器来定位目标事件,以检测和确定足球广播视频中事件的发生时间,并在 SoccerNet-v2 Challenge 中获得了最新的表现,在动作识别和重播地面任务上均表现出最先进的性能。
Jun, 2021