論文の概要: GraphPlan: Story Generation by Planning with Event Graph
- arxiv url: http://arxiv.org/abs/2102.02977v1
- Date: Fri, 5 Feb 2021 03:18:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-08 17:58:58.367709
- Title: GraphPlan: Story Generation by Planning with Event Graph
- Title（参考訳）: GraphPlan:イベントグラフによる計画によるストーリー生成
- Authors: Hong Chen, Raphael Shu, Hiroya Takamura, Hideki Nakayama
- Abstract要約: イベントグラフを補助する一連のイベントを計画することに集中し、イベントを使用してジェネレータをガイドします。
本稿では,シーケンス・ツー・シーケンス・モデルを用いてストーリーラインを出力する代わりに,イベントグラフ上を歩くことでイベントシーケンスを生成することを提案する。
- 参考スコア（独自算出の注目度）: 31.29515089313627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Story generation is a task that aims to automatically produce multiple
sentences to make up a meaningful story. This task is challenging because it
requires high-level understanding of semantic meaning of sentences and
causality of story events. Naive sequence-to-sequence models generally fail to
acquire such knowledge, as the logical correctness can hardly be guaranteed in
a text generation model without the strategic planning. In this paper, we focus
on planning a sequence of events assisted by event graphs, and use the events
to guide the generator. Instead of using a sequence-to-sequence model to output
a storyline as in some existing works, we propose to generate an event sequence
by walking on an event graph. The event graphs are built automatically based on
the corpus. To evaluate the proposed approach, we conduct human evaluation both
on event planning and story generation. Based on large-scale human annotation
results, our proposed approach is shown to produce more logically correct event
sequences and stories.
- Abstract（参考訳）: ストーリー生成は、意味のあるストーリーを構成するために複数の文章を自動的に生成することを目的としています。
このタスクは、文の意味的意味とストーリーイベントの因果関係を高度に理解する必要があるため、難しい。
シークエンス・ツー・シークエンス・モデルは通常そのような知識を得られず、論理的正しさは戦略的計画なしではテキスト生成モデルでは保証できない。
本稿では,イベントグラフを補助するイベント列の計画に焦点をあて,イベントを使用してジェネレータを誘導する。
既存の作業のように,シーケンス・ツー・シーケンスモデルを用いてストーリーラインを出力する代わりに,イベントグラフ上を歩くことでイベントシーケンスを生成することを提案する。
イベントグラフはコーパスに基づいて自動的に構築される。
提案手法を評価するため,イベントプランニングとストーリー生成の両方で人間による評価を行う。
提案手法は,人間による大規模アノテーションの結果に基づいて,より論理的に正しいイベントシーケンスとストーリーを生成する。
関連論文リスト
- Prompt-based Graph Model for Joint Liberal Event Extraction and Event Schema Induction [1.3154296174423619]
イベントは、エンティティの状態の変化を記述する、スピーチとテキストの不可欠なコンポーネントである。
イベント抽出タスクは、イベントを特定して分類し、イベントスキーマに従って参加者を見つけることを目的としている。
研究者らは、イベント抽出とイベントスキーマの同時発見を目的とした、リベラルイベント抽出(LEE)を提案する。
論文 参考訳（メタデータ） (2024-03-19T07:56:42Z) - Distilling Event Sequence Knowledge From Large Language Models [17.105913216452738]
イベントシーケンスモデルは、イベントの分析と予測に非常に効果的であることが判明した。
我々は大規模言語モデルを用いて、確率的イベントモデル構築に効果的に使用できるイベントシーケンスを生成する。
提案手法は,入力KGの知識ギャップを埋めて,高品質なイベントシーケンスを生成することができることを示す。
論文 参考訳（メタデータ） (2024-01-14T09:34:42Z) - Neural Story Planning [8.600049807193413]
本稿では,ニューラル言語モデルと因果計画を統合したストーリープロット生成手法を提案する。
我々のシステムは、物語における出来事の前提条件を推測し、その条件が真実になるイベントを推定する。
その結果,提案手法は複数の強基線よりもコヒーレントなプロットラインを生成することがわかった。
論文 参考訳（メタデータ） (2022-12-16T21:29:41Z) - A Graph Regularized Point Process Model For Event Propagation Sequence [2.9093633827040724]
ポイントプロセスは、不規則な間隔で発生するイベントシーケンスをモデル化するための支配的なパラダイムである。
本稿では,隣接ノード間のイベントインタラクションを特徴付けるグラフ正規化ポイントプロセスを提案する。
グラフ正規化法を適用することにより、GRPPはノード間の影響強度を明らかにすることによってモデル解釈可能性を提供する。
論文 参考訳（メタデータ） (2022-11-21T04:49:59Z) - NGEP: A Graph-based Event Planning Framework for Story Generation [17.049035309926637]
本稿では,自動構築されたイベントグラフ上で推論を行い,イベントシーケンスを生成する新しいイベント計画フレームワークNGEPを提案する。
我々は、複数の基準で様々な実験を行い、その結果、グラフベースのニューラルネットワークは、最先端(SOTA)イベント計画アプローチよりも優れていることを示した。
論文 参考訳（メタデータ） (2022-10-19T14:49:27Z) - Sequential Manipulation Planning on Scene Graph [90.28117916077073]
我々は,効率的な逐次タスク計画のための3次元シーングラフ表現であるコンタクトグラフ+(cg+)を考案する。
ゴール設定は、自然にコンタクトグラフに指定され、最適化法を用いて遺伝的アルゴリズムによって作成することができる。
次に、初期接触グラフと目標設定との間のグラフ編集距離(GED)を計算してタスクプランを簡潔化し、ロボット動作に対応するグラフ編集操作を生成する。
論文 参考訳（メタデータ） (2022-07-10T02:01:33Z) - Schema-Guided Event Graph Completion [103.32326979796596]
我々は、イベントグラフの欠落するイベントノードを予測することを目的として、イベントグラフ補完という新しいタスクに取り組む。
既存の予測やグラフ補完手法は、通常、1つの大きなグラフのために設計されるため、イベントグラフを扱うのが難しい。
論文 参考訳（メタデータ） (2022-06-06T21:51:10Z) - Event Transition Planning for Open-ended Text Generation [55.729259805477376]
オープンエンドテキスト生成タスクは、事前コンテキストに制限されたコヒーレントな継続を生成するためにモデルを必要とする。
オープンエンドテキスト生成におけるイベントを明示的にアレンジする新しい2段階手法を提案する。
我々のアプローチは、特別に訓練された粗大なアルゴリズムとして理解することができる。
論文 参考訳（メタデータ） (2022-04-20T13:37:51Z) - Future is not One-dimensional: Graph Modeling based Complex Event Schema
Induction for Event Prediction [90.75260063651763]
本稿では、イベント、引数、時間的接続、引数関係を含むグラフベースのスキーマ表現であるテンポラル複合イベントの概念を紹介する。
イベントグラフを伴う6,399のドキュメントを含む新しいスキーマ学習コーパスをリリースし,手動でゴールドスキーマを構築した。
論文 参考訳（メタデータ） (2021-04-13T16:41:05Z) - Team RUC_AIM3 Technical Report at Activitynet 2020 Task 2: Exploring
Sequential Events Detection for Dense Video Captioning [63.91369308085091]
本稿では、イベントシーケンス生成のための新規でシンプルなモデルを提案し、ビデオ中のイベントシーケンスの時間的関係を探索する。
提案モデルでは,非効率な2段階提案生成を省略し,双方向時間依存性を条件としたイベント境界を直接生成する。
総合システムは、チャレンジテストセットの9.894 METEORスコアで、ビデオタスクにおける密封イベントの最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-06-14T13:21:37Z) - PlotMachines: Outline-Conditioned Generation with Dynamic Plot State
Tracking [128.76063992147016]
PlotMachinesは、動的プロット状態を追跡することによってアウトラインをコヒーレントなストーリーに変換することを学習する、ニューラルな物語モデルである。
さらに,PlotMachinesを高レベルな談話構造で強化し,モデルが物語の異なる部分に対応する筆記スタイルを学習できるようにした。
論文 参考訳（メタデータ） (2020-04-30T17:16:31Z)
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。