論文の概要: Generating similes effortlessly like a Pro: A Style Transfer Approach
for Simile Generation
- arxiv url: http://arxiv.org/abs/2009.08942v2
- Date: Sat, 3 Oct 2020 05:47:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 02:25:22.185921
- Title: Generating similes effortlessly like a Pro: A Style Transfer Approach
for Simile Generation
- Title（参考訳）: プロのように無力にsimileを生成する - simile生成のためのスタイル転送アプローチ
- Authors: Tuhin Chakrabarty, Smaranda Muresan, Nanyun Peng
- Abstract要約: 擬似言語のような表現言語は、読者に新たな洞察とインスピレーションを与えるために、平易な表現を越えている。
シミリを生成するには、2つの概念の間のプロパティの効果的なマッピングを適切に理解する必要がある。
機械が生成した物語の最良のモデルから、リテラル文をシミュラに置き換えることで、挑発性が向上し、人間の審査員の受け入れが向上することを示す。
- 参考スコア（独自算出の注目度）: 65.22565071742528
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Literary tropes, from poetry to stories, are at the crux of human imagination
and communication. Figurative language such as a simile go beyond plain
expressions to give readers new insights and inspirations. In this paper, we
tackle the problem of simile generation. Generating a simile requires proper
understanding for effective mapping of properties between two concepts. To this
end, we first propose a method to automatically construct a parallel corpus by
transforming a large number of similes collected from Reddit to their literal
counterpart using structured common sense knowledge. We then propose to
fine-tune a pretrained sequence to sequence model, BART~\cite{lewis2019bart},
on the literal-simile pairs to gain generalizability, so that we can generate
novel similes given a literal sentence. Experiments show that our approach
generates $88\%$ novel similes that do not share properties with the training
data. Human evaluation on an independent set of literal statements shows that
our model generates similes better than two literary experts
\textit{37\%}\footnote{We average 32.6\% and 41.3\% for 2 humans.} of the
times, and three baseline systems including a recent metaphor generation model
\textit{71\%}\footnote{We average 82\% ,63\% and 68\% for three baselines.} of
the times when compared pairwise.\footnote{The simile in the title is generated
by our best model. Input: Generating similes effortlessly, output: Generating
similes \textit{like a Pro}.} We also show how replacing literal sentences with
similes from our best model in machine generated stories improves evocativeness
and leads to better acceptance by human judges.
- Abstract（参考訳）: 詩から物語までの文学的傾向は、人間の想像力とコミュニケーションの危機にある。
simileのような具体的言語は、読者に新たな洞察とインスピレーションを与えるため、平易な表現を越えている。
本稿では,シミール生成の問題に取り組む。
simileを生成するには、2つの概念間のプロパティを効果的にマッピングするための適切な理解が必要である。
そこで本研究では,Redditから収集した多数のシミュラを,構造化された常識知識を用いてリテラルに変換することで,並列コーパスを自動構築する手法を提案する。
次に,順序モデルbart~\cite{lewis2019bart} をリテラル-simileペア上で微調整して一般化可能とし,リテラル文を与えられた新しいsimilesを生成することを提案する。
実験により,本手法はトレーニングデータとプロパティを共有しない新規なシミュラを8,8 %以上生成することがわかった。
人間によるリテラルステートメントの独立した集合の評価は、我々のモデルは2人の文芸専門家 \textit{37\%}\footnote{we average 32.6\% and 41.3\% よりも優れたシミールを生成することを示している。
最新のメタファ生成モデル \textit{71\%}\footnote{We average 82\% ,63\%,68\% for three baseline{We average 82\% ,63\% を含む3つのベースラインシステムについて検討した。
ペアで比較した場合の時間。
タイトルのsimileは、私たちの最高のモデルによって生成される。
入力: similes の生成を懸命に、出力: similes \textit{like a Pro} を生成する。
マシン生成ストーリーの最良のモデルから、リテラル文をsimilesに置き換えることで、挑発性が向上し、人間の判断によって受け入れられるようになることも示します。
関連論文リスト
- Conjuring Semantic Similarity [59.18714889874088]
2つのテキスト表現間の意味的類似性は、潜伏者の「意味」の間の距離を測定する
テキスト表現間の意味的類似性は、他の表現を言い換えるのではなく、それらが引き起こすイメージに基づいている、という新しいアプローチを提案する。
提案手法は,人間の注釈付きスコアに適合するだけでなく,テキスト条件付き生成モデル評価のための新たな道を開く意味的類似性に関する新たな視点を提供する。
論文 参考訳（メタデータ） (2024-10-21T18:51:34Z) - CMDAG: A Chinese Metaphor Dataset with Annotated Grounds as CoT for
Boosting Metaphor Generation [35.14142183519002]
本稿では,28Kの文からなる中国語メタファーコーパスについて紹介する。
アノテーションの正確性と一貫性を確保するため、包括的なガイドラインのセットを導入します。
伝統を破り、メタファー生成への我々のアプローチは、従来のテナーと車両の組み合わせよりも、その基盤と特徴を強調します。
論文 参考訳（メタデータ） (2024-02-20T17:00:41Z) - StoryAnalogy: Deriving Story-level Analogies from Large Language Models
to Unlock Analogical Understanding [72.38872974837462]
大規模ストーリーレベルの類似語コーパスを構築することにより,類似語を識別・生成する能力を評価する。
textscStory Analogyには、さまざまなドメインから24Kストーリーペアが含まれており、拡張された構造マッピング理論の2つの類似点に人間のアノテーションがある。
我々は、textscStory Analogyのデータは、大言語モデルにおけるアナログ生成の品質を向上させることができることを観察した。
論文 参考訳（メタデータ） (2023-10-19T16:29:23Z) - Metaphorical Paraphrase Generation: Feeding Metaphorical Language Models
with Literal Texts [2.6397379133308214]
提案アルゴリズムは動詞だけでなく,名詞や形容詞にも焦点をあてる。
人的評価の結果,システム生成メタファーは人的メタファーよりも創造的で比喩的と考えられることがわかった。
論文 参考訳（メタデータ） (2022-10-10T15:11:27Z) - It's not Rocket Science : Interpreting Figurative Language in Narratives [48.84507467131819]
我々は2つの非構成的図形言語(イディオムとシミュラ)の解釈を研究する。
実験の結果、事前学習された言語モデルのみに基づくモデルは、これらのタスクにおいて人間よりもはるかにひどい性能を示すことがわかった。
また, 知識強化モデルを提案し, 具体的言語を解釈するための人的戦略を採用した。
論文 参考訳（メタデータ） (2021-08-31T21:46:35Z) - Metaphor Generation with Conceptual Mappings [58.61307123799594]
我々は、関連する動詞を置き換えることで、リテラル表現を与えられた比喩文を生成することを目指している。
本稿では,認知領域間の概念マッピングを符号化することで生成過程を制御することを提案する。
教師なしCM-Lexモデルは,近年のディープラーニングメタファ生成システムと競合することを示す。
論文 参考訳（メタデータ） (2021-06-02T15:27:05Z) - MERMAID: Metaphor Generation with Symbolism and Discriminative Decoding [22.756157298168127]
メタファーとシンボル間の理論的に基底的な接続に基づいて,並列コーパスを自動構築する手法を提案する。
生成タスクには、並列データに微調整されたシーケンスモデルへのシーケンスの復号を導くためのメタファ判別器を組み込んだ。
課題に基づく評価では、比喩のない詩に比べて、比喩で強化された人文詩が68%の時間を好むことが示されている。
論文 参考訳（メタデータ） (2021-03-11T16:39:19Z) - Writing Polishment with Simile: Task, Dataset and A Neural Approach [9.38000305423665]
我々は、機械が人間と同じようにシミュラでテキストを磨くことができるかどうかを調べるために、Simile (WPS) でポーランド語を書くための新しいタスクを提案する。
我々のモデルはまず、シミリの発生場所を特定し、次に位置固有のシミリを生成する。
また、コンテキスト付き500万マイルを含む大規模な中国シミールデータセットもリリースしています。
論文 参考訳（メタデータ） (2020-12-15T06:39:54Z) - Metaphoric Paraphrase Generation [58.592750281138265]
クラウドソーシングを用いてその結果を評価し,メタファー的パラフレーズを評価するための自動指標を開発する。
語彙置換ベースラインは正確なパラフレーズを生成できるが、比喩的でないことが多い。
メタファーマスキングモデルでは,メタファー文の生成に優れ,流布やパラフレーズの品質に関してはほぼ同等に機能する。
論文 参考訳（メタデータ） (2020-02-28T16:30:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。