Feb, 2024

故事回顾片段识别

PDF
TL;DR通过回顾，回忆读者对于先前文本中重要元素的记忆，以更好地理解正在进行的情节，可以帮助书籍阅读。本研究提出了史上第一个基于手工制作的评估数据集，用于回顾片段识别任务的基准。实验结果表明，该任务对于 PLMs、LLMs 和提出的方法来说都具有挑战性，因为它要求对片段之间的情节相关性有深入的理解。
recapsbook readingmemorynlp communityrecap snippet identification
发现论文，激发创造
  • 从回顾到故事概述

    通过利用电视剧情节回顾的短视频序列，我们介绍了多模态故事摘要，以将观众带入故事的关键时刻。我们提出了一个名为 PlotSnap 的数据集，其中有两部长达 40 分钟的犯罪惊悚电视剧，拥有丰富的回顾和剧集摘要。我们的方法通过将回顾镜头与剧集中的相应子故事进行匹配，从整个剧集中提取多个情节点，采用 TaleSumm 分层模型处理整个剧集，并创建紧凑的镜头和对话表示，并通过启用局部故事组之间的相互作用，为每个视频镜头和对话发言预测重要性分数。我们展示了对故事摘要的全面评估，包括有前途的跨系列泛化。TaleSumm 模型在经典视频摘要基准测试中也显示出良好的结果。

    May, 2024

  • 预训练语言模型的剧情写作

    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

  • 电影人物相似度学习及对理解人类经历的潜在影响

    通过研究电影人物，从社群策展的 20000 个主题中捕捉主题级别上的相似性，提出了一种新的任务来捕捉自然语言处理中尚未被完全研究的人类体验方面，展示了主题信息学习如何用于理解 Reddit 帖子中人们的体验主题。

    Oct, 2020

  • 利用大型语言模型研究人类对有意义叙述的记忆

    语言模型作为一种科学工具，我们展示了它在研究人类对有意义材料的记忆上的应用，通过在线大规模记忆实验和结果分析，发现记忆和认知表现与叙述长度成线性关系，并且研究叙述理解在记忆中的作用。

    Nov, 2023

  • 探究基于查询的会议摘要的一致性：不同嵌入方法的比较研究

    文本摘要是自然语言处理领域的一个著名应用，可以自动根据给定的上下文生成带有重要信息的摘要，特别适用于会议总结等多主题、多人参与的长篇文档。我们提出了 Locater 模型用于提取有关片段，然后通过 Summarizer 模型进行总结，并应用不同的词嵌入技术进行了比较研究以提高摘要的一致性。

    Feb, 2024

  • NLP 模型对追踪思路的表现：叙事理解概述

    本文对叙事理解任务进行了综合调查，详细研究了其关键特征、定义、分类、相关数据集、训练目标、评估指标和局限性。此外，我们探讨了将模块化大型语言模型的能力扩展到新的叙事理解任务的潜力，并通过将叙事理解视为提取作者想象线索的方式，引入了增强叙事理解的新方法。

    Oct, 2023

  • 向用户传达预测未来：故事情节预测案例研究

    本文介绍一种基于 GPT-2 的系统，利用自动故事生成技术生成可靠的短篇小说情节，以协助作家构建一个一致且引人入胜的情节，实验表明，该系统产生的短篇小说情节在一致性和可故事性等方面优于其他模型，作者尝试了一种 story continuation 任务，以确定该系统如何影响创意写作的过程。

    Feb, 2023

  • 比较式片段生成

    本研究通过模拟产品评论，使用预训练的 BERT 模型生成正负面评价中的单句比较响应，并贡献了首个用于对比意见生成的数据集。

    Jun, 2022

  • 选择与总结：电影剧本摘要的场景显著性

    通过提取场景的显著性，针对电影剧本等长篇故事性文本进行抽象概括是具有挑战性的。本研究引入了一个包含 100 部电影人工标注显著场景的数据集，提出了一个两阶段的抽象概括方法，首先识别出剧本中的显著场景，然后利用这些场景生成摘要。基于问答的评估结果显示，我们的模型优于以往最先进的摘要方法，并且比将整个剧本作为输入的模型更准确地反映了电影的信息内容。

    Apr, 2024

  • 用记忆和知识增强的语言模型推断长篇故事的关键性

    本研究利用 Barthes Cardinal Functions 和 surprise 和理论为基础的无监督方法，将其应用于长篇叙事形式中，改进了标准 transformer 语言模型，通过引入 Retrieval Augmented Generation 的外部知识库和添加记忆机制来提高该语言模型在长篇作品中的性能，使用来自 Shmoop 语料库的章节摘要来推导显著性标注的新方法，针对这些数据进行的评估证明，与非知识库和记忆增强语言模型相比，我们的显著性检测模型提高了性能，这两者对于此改善至关重要。

    Sep, 2021