Jun, 2024

诗像生成的迭代校正框架

HTML
PDF
TL;DR通过使用Poetry2Image这一迭代修正框架，结合大语言模型（LLM）对生成的图像进行反馈和纠正，本研究在中国古典诗歌生成的任务中取得了显著的改进，提高了元素完整性25.56%和语义一致性80.09%。该方法不仅促进了古诗文化的传播，还为类似的非微调方法增强LLM生成提供了参考。
发现论文，激发创造
  • 使用RNN编码器-解码器生成中国古典诗歌

    采用RNN编码器-解码器模型，基于序列-序列学习方法，以话题词为输入生成四行句（即汉语诗歌绝句），系统能学习单句语义及行与行之间的语义相关性，并利用结构、韵律和音调模式生成古诗，且无需任何限制性模板，实验结果表明我们的系统优于其他竞争系统，并发现注意力机制可以捕捉汉语古典诗歌中的词语联系，训练时颠倒目标行可以提高性能。

    Apr, 2016

  • 使用混合解码器的条件变分自编码器生成主题中国诗歌

    本研究提出了一种新型的条件变量自编码器，该自编码器通过加入反卷积神经网络来完全学习潜在变量中的主题信息，进一步利用增强的word2vec模型来提高韵律和对称性，从而显著提高了生成诗歌的相关性，让生成的诗歌具有一致主题和规则性。测试结果表明，生成的诗歌在大多数情况下都得到了很好的评价。

    Nov, 2017

  • 图像启发诗歌：使用记忆网络从图像生成古典中国诗歌

    本文提出了一种基于记忆的神经模型，利用图像生成古典诗歌。使用编码器-解码器模型和主题记忆网络，从图像生成中国古典诗歌，通过人工评估和定量分析证明该模型能够精确传达图像信息。

    Mar, 2018

  • 使用工作记忆模型生成汉语诗歌

    本文介绍了一种基于工作记忆模型的神经网络方法，用于自动生成中国诗歌，实验结果表明，该方法在诗歌的连贯性和表达自然性方面表现优异.

    Sep, 2018

  • 从口语汉语生成古典诗歌

    本文提出了一种利用非文言文生成古典诗歌的新任务，并采用了无监督机器翻译的方法，在语义上给予用户更多控制权，通过基于分词的填充和强化学习等方法，取得了很好的实验效果，同时探索了如何提高生成诗歌的输入口诀，得到了高质量的诗歌生成。

    Aug, 2019

  • 基于优质感知掩码语言模型的中国古诗生成迭代优化框架

    本文提出一个新的迭代润色框架，用于高水平的中国诗歌自动生成，该框架基于编码-解码结构并使用Quality-Aware Masked Language Model 进行诗歌的润色，该模型结构能够将全局上下文信息融入到润色过程中。同时，使用多任务学习方案，本方法能够自动决定是否需要对草稿进行润色，产生更贴切的润色结果，有效提高了编码-解码结构的表现。

    Nov, 2019

  • 神经诗歌翻译实证研究

    本文旨在探索机器翻译在诗歌翻译方面的应用，研究并比较了诗歌和非诗歌语料库大小、双语和多语言学习、以及使用语系特定模型和混合多语言模型的效果，得出多语言微调在诗歌翻译中具有重要性和优越性。

    Sep, 2021

  • 诗歌传播：朝着诗歌生成中的联合语义和韵律操作

    本文利用扩散模型分别在中文诗歌的“宋词”和“十四行诗”上进行了难点挑战的同时，结合了特殊的度量控制方法，提出一种新的自然语言生成模型，并得出了在两个数据集上的实验结果，表明我们的模型在语义、度量和整体性能方面优于现有模型。

    Jun, 2023

  • 基于无词汇模型的语言模型生成更有准确格式的中国古典诗歌

    本研究通过验证现行基于标记的大型语言模型在标记-字符关系方面的知识限制，并提出一种基于字符级或字节级标记的无标记模型，该模型在格式准确性方面表现优异，为解决生成中文古典诗歌的格式问题提供了一个可行的解决方案。

    Jan, 2024

  • 评估大规模语言模型在古典中文诗歌翻译中的表现：有效性、流畅性和优雅性

    本研究针对大规模语言模型在古典中文诗歌翻译中存在的有效性、流畅性和优雅性不足的问题，提出了一个新的基准。提出的检索增强机器翻译方法（RAT）和基于GPT-4的自动评估指标，能更有效地评估翻译质量，并提升现有模型在此领域的表现。

    Aug, 2024