論文の概要: Modeling Human Mental States with an Entity-based Narrative Graph
- arxiv url: http://arxiv.org/abs/2104.07079v1
- Date: Wed, 14 Apr 2021 19:05:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-16 15:19:55.806221
- Title: Modeling Human Mental States with an Entity-based Narrative Graph
- Title(参考訳): エンティティに基づくナラティブグラフによる人間の精神状態のモデル化
- Authors: I-Ta Lee, Maria Leonor Pacheco and Dan Goldwasser
- Abstract要約: 本稿では,物語中の文字の内部状態をモデル化するEntity-based Narrative Graph (ENG)を提案する。
私たちは、エンティティ、それらの相互作用、それらが現れるコンテキストを明示的にモデル化し、それらのための豊富な表現を学びます。
性格的精神状態の予測と欲求充足の2つの物語的理解タスクに基づいてモデルを評価し,質的分析を行う。
- 参考スコア(独自算出の注目度): 31.275150336289578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding narrative text requires capturing characters' motivations,
goals, and mental states. This paper proposes an Entity-based Narrative Graph
(ENG) to model the internal-states of characters in a story. We explicitly
model entities, their interactions and the context in which they appear, and
learn rich representations for them. We experiment with different task-adaptive
pre-training objectives, in-domain training, and symbolic inference to capture
dependencies between different decisions in the output space. We evaluate our
model on two narrative understanding tasks: predicting character mental states,
and desire fulfillment, and conduct a qualitative analysis.
- Abstract(参考訳): 物語の文章を理解するには、登場人物の動機、目標、精神状態を理解する必要がある。
本稿では,物語中の文字の内部状態をモデル化するEntity-based Narrative Graph (ENG)を提案する。
エンティティ、それらのインタラクション、それらが現れるコンテキストを明示的にモデル化し、それらのリッチな表現を学びます。
我々は、異なるタスク適応事前学習目標、ドメイン内トレーニング、シンボリック推論を用いて、出力空間における異なる決定間の依存関係をキャプチャする実験を行う。
我々は,性格的精神状態の予測,欲求充足,質的分析という2つのナラティブ理解課題についてモデルを評価した。
関連論文リスト
- Visually Grounded Language Learning: a review of language games,
datasets, tasks, and models [60.2604624857992]
多くのVision+Language (V+L)タスクは、視覚的モダリティでシンボルをグラウンドできるモデルを作成することを目的として定義されている。
本稿では,V+L分野において提案されるいくつかの課題とモデルについて,系統的な文献レビューを行う。
論文 参考訳(メタデータ) (2023-12-05T02:17:29Z) - Visual Storytelling with Question-Answer Plans [70.89011289754863]
本稿では、事前訓練された言語モデルと計画に視覚表現を統合する新しいフレームワークを提案する。
我々のモデルは、画像列を視覚的な接頭辞、つまり言語モデルで解釈できる連続的な埋め込みの列に変換する。
また、一連の質問と回答のペアを青写真プランとして利用して、健全な視覚概念を選択し、物語にどのように組み立てるべきかを決定する。
論文 参考訳(メタデータ) (2023-10-08T21:45:34Z) - Envisioning Narrative Intelligence: A Creative Visual Storytelling
Anthology [7.962160810367763]
この創造的なビジュアルなストーリーテリングプロセスで見られるバリエーションを特徴付ける5つのテーマを提示する。
我々は、計算的なビジュアルストーリーテリングのための物語知能基準を、創造的で、信頼性があり、表現力があり、基礎があり、責任があるものとして想定する。
論文 参考訳(メタデータ) (2023-10-06T18:47:20Z) - Foundational Models Defining a New Era in Vision: A Survey and Outlook [151.49434496615427]
視覚シーンの構成的性質を観察し、推論する視覚システムは、我々の世界を理解するのに不可欠である。
モデルは、このようなモダリティと大規模なトレーニングデータとのギャップを埋めることを学び、コンテキスト推論、一般化、テスト時の迅速な機能を容易にした。
このようなモデルの出力は、例えば、バウンディングボックスを設けて特定のオブジェクトをセグメント化したり、画像や映像シーンについて質問したり、言語命令でロボットの動作を操作することで対話的な対話を行うなど、リトレーニングすることなく、人為的なプロンプトによって変更することができる。
論文 参考訳(メタデータ) (2023-07-25T17:59:18Z) - M-SENSE: Modeling Narrative Structure in Short Personal Narratives Using
Protagonist's Mental Representations [14.64546899992196]
本研究では,登場人物の心的状態の推測を解析し,物語構造の顕著な要素を自動的に検出するタスクを提案する。
本稿では,物語構造の主要な要素,特にクライマックスと解像度のマニュアルアノテーションを含む,短い個人物語のSTORIESデータセットを紹介する。
我々のモデルは、クライマックスと解像度を識別するタスクにおいて、大幅な改善を達成できる。
論文 参考訳(メタデータ) (2023-02-18T20:48:02Z) - Infusing Commonsense World Models with Graph Knowledge [89.27044249858332]
オープンワールドテキストアドベンチャーゲームにおける物語生成の設定について検討する。
基礎となるゲーム状態のグラフ表現は、接地グラフ表現と自然言語記述とアクションの両方を消費し出力するモデルを訓練するために使用することができる。
論文 参考訳(メタデータ) (2023-01-13T19:58:27Z) - MBTI Personality Prediction for Fictional Characters Using Movie Scripts [34.24896499537589]
我々は,映画キャラクタのMBTIやビッグ5の性格タイプを予測するために,Story2Personalityというベンチマークを構築した。
実験の結果,既存のテキスト分類モデルでは作業が困難であることが確認された。
言語記述と非言語記述の両方を用いた人格予測のための多視点モデルを提案する。
論文 参考訳(メタデータ) (2022-10-20T03:41:07Z) - Drawing out of Distribution with Neuro-Symbolic Generative Models [49.79371715591122]
ドローイング・アウト・オブ・ディストリクト(英: Drawing out of Distribution)は、ストローク・ベース・ドローイングの神経象徴的生成モデルである。
DooDは画像を直接操作するが、監視や高価なテストタイム推論は必要ない。
我々は、データとタスクをまたいだ一般化能力について、DooDを評価した。
論文 参考訳(メタデータ) (2022-06-03T21:40:22Z) - 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。