論文の概要: Telling Stories through Multi-User Dialogue by Modeling Character Relations

• arxiv url: http://arxiv.org/abs/2105.15054v1
• Date: Mon, 31 May 2021 15:39:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 17:48:18.767322
• Title: Telling Stories through Multi-User Dialogue by Modeling Character Relations
• Title（参考訳）: キャラクタリレーションのモデル化による多人数対話による物語の語り
• Authors: Wai Man Si, Prithviraj Ammanabrolu, Mark O. Riedl
• Abstract要約: 本稿では,登場人物の1対2のナレーションと対話を通して物語が現れるキャラクター主導の物語継続について考察する。 文字対話と文字関係情報を訓練するマルチタスクモデルにより,トランスフォーマーによる物語の継続性が向上する,という仮説を立てる。 文字関係を用いたマルチタスクモデルでは,強いベースラインよりもストーリー継続精度が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 14.117921448623342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper explores character-driven story continuation, in which the story emerges through characters' first- and second-person narration as well as dialogue -- requiring models to select language that is consistent with a character's persona and their relationships with other characters while following and advancing the story. We hypothesize that a multi-task model that trains on character dialogue plus character relationship information improves transformer-based story continuation. To this end, we extend the Critical Role Dungeons and Dragons Dataset (Rameshkumar and Bailey, 2020) -- consisting of dialogue transcripts of people collaboratively telling a story while playing the role-playing game Dungeons and Dragons -- with automatically extracted relationships between each pair of interacting characters as well as their personas. A series of ablations lend evidence to our hypothesis, showing that our multi-task model using character relationships improves story continuation accuracy over strong baselines.
• Abstract（参考訳）: 本稿では,登場人物の1対2のナレーションと対話を通じて物語が出現する物語の継続を考察し,物語のフォローと進行中に,登場人物のペルソナと他のキャラクターとの関係に整合した言語を選択するモデルを必要とする。 文字対話と文字関係情報を訓練するマルチタスクモデルが,トランスフォーマーによるストーリー継続を改善することを仮定する。 この目的のために、私たちはダンジョンズ&ドラゴンズデータセット(rameshkumar and bailey, 2020) -- ロールプレイングゲームダンジョンズ&ドラゴンズをプレイしながら、ストーリーを共同的に話す人々の対話の書き起こしで構成され、各ペアの相互作用するキャラクターとそのペルソナ間の関係を自動的に抽出する。 文字関係を用いたマルチタスクモデルでは,強いベースラインよりもストーリー継続精度が向上することが示唆された。

関連論文リスト

• Agents' Room: Narrative Generation through Multi-step Collaboration [54.98886593802834]
  本稿では,物語の執筆を特殊エージェントが取り組んだサブタスクに分解する,物語理論に触発された世代フレームワークを提案する。 エージェントの部屋は,専門的評価者が好むストーリーをベースラインシステムより生成することを示す。
  論文  参考訳（メタデータ） (2024-10-03T15:44:42Z)
• Generating Visual Stories with Grounded and Coreferent Characters [63.07511918366848]
  本稿では,一貫した接地的・中核的な特徴を持つ視覚的ストーリーを予測できる最初のモデルを提案する。 我々のモデルは、広く使われているVISTベンチマークの上に構築された新しいデータセットに基づいて微調整されています。 また、物語における文字の豊かさとコア参照を測定するための新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2024-09-20T14:56:33Z)
• What if Red Can Talk? Dynamic Dialogue Generation Using Large Language Models [0.0]
  本稿では,大規模言語モデル(LLM)を用いて動的かつ文脈的に適切な文字相互作用を生成する対話フィラーフレームワークを提案する。 The Final Fantasy VII Remake and Pokemonの環境でこのフレームワークをテストする。 本研究の目的は,よりニュアンスの高いフィラーダイアログ作成を支援することであり,それによってプレイヤーの没入感を高め,RPG体験の全般的向上を図ることである。
  論文  参考訳（メタデータ） (2024-07-29T19:12:18Z)
• CharacterGLM: Customizing Chinese Conversational AI Characters with Large Language Models [66.4382820107453]
  本稿では,ChatGLM上に構築されたモデルである characterGLM について紹介する。 我々のキャラクタGLMは文字ベースの対話(CharacterDial)を生成するために設計されており、人間固有の社会的欲求と感情的欲求を満たすための文字カスタマイズを備えた対話型AIシステムを実現することを目的としている。
  論文  参考訳（メタデータ） (2023-11-28T14:49:23Z)
• NarrativePlay: Interactive Narrative Understanding [27.440721435864194]
  本研究では,ユーザが架空のキャラクターをロールプレイし,没入感のある環境で他のキャラクターと対話できる新しいシステムであるNarrativePlayを紹介する。 我々はLarge Language Models(LLMs)を利用して、物語から抽出された性格特性によって導かれる人間的な応答を生成する。 ナラティブプレイは2種類の物語、探偵と冒険の物語で評価されており、ユーザーは世界を探索したり、会話を通じて物語のキャラクターと親しみやすくしたりすることができる。
  論文  参考訳（メタデータ） (2023-10-02T13:24:00Z)
• A Benchmark for Understanding and Generating Dialogue between Characters in Stories [75.29466820496913]
  本研究は,機械が物語の対話を理解・生成できるかどうかを探求する最初の研究である。 マスク付き対話生成と対話話者認識という2つの新しいタスクを提案する。 DialStoryの自動評価と手動評価で既存のモデルをテストすることで,提案課題の難しさを示す。
  論文  参考訳（メタデータ） (2022-09-18T10:19:04Z)
• Persona-Guided Planning for Controlling the Protagonist's Persona in Story Generation [71.24817035071176]
  本研究では,ペルソナとイベントの関係を明示的にモデル化する計画ベース生成モデルCONPERを提案する。 自動評価と手動評価の両方の結果から、CONPERはより一貫性のあるペルソナ制御可能なストーリーを生成するために最先端のベースラインより優れていることが示されている。
  論文  参考訳（メタデータ） (2022-04-22T13:45:02Z)
• Unsupervised Enrichment of Persona-grounded Dialog with Background Stories [27.52543925693796]
  既存の物語データセットの架空の物語を活用することにより、対話モデルにペルソナに関連する「背景物語」を付与する。 我々は、勾配に基づく書き直し手法を用いて対話応答を生成するために、検索されたストーリーの教師なし適応を行う。 提案手法は, より多様な応答を生成でき, 人間の評価者により, より活発で人間らしく評価されている。
  論文  参考訳（メタデータ） (2021-06-15T18:20:27Z)
• Inferring the Reader: Guiding Automated Story Generation with Commonsense Reasoning [12.264880519328353]
  生成プロセスにコモンセンス推論を導入するフレームワークであるCommonsense-inference Augmented Neural StoryTelling (CAST)を紹介する。 我々のCAST手法は,既存のモデルよりも,一文字と二文字の両方で,一貫性があり,オントピー的,楽しむことができる。
  論文  参考訳（メタデータ） (2021-05-04T06:40:33Z)
• 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。