論文の概要: Chekhov's Gun Recognition

• arxiv url: http://arxiv.org/abs/2109.13855v1
• Date: Tue, 28 Sep 2021 16:39:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 14:59:12.826390
• Title: Chekhov's Gun Recognition
• Title（参考訳）: チェーホフの銃の認識
• Authors: Alexey Tikhonov and Ivan P. Yamshchikov
• Abstract要約: 本稿では,Chekhovの銃認識という自然言語処理タスクを提案する。 チェーホフの銃は物語における因果関係に大きな影響を与えているため、物語処理のタスクには不可欠である。 本稿では,CGRタスク用の新しいベンチマークデータセットについて,それぞれ1つ以上のChekhov's Gunを持つ5550の記述を含む。
• 参考スコア（独自算出の注目度）: 0.4061135251278187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chekhov's gun is a dramatic principle stating that every element in a story must be necessary, and irrelevant elements should be removed. This paper presents a new natural language processing task - Chekhov's gun recognition or (CGR) - recognition of entities that are pivotal for the development of the plot. Though similar to classical Named Entity Recognition (NER) it has profound differences and is crucial for the tasks of narrative processing, since Chekhov's guns have a profound impact on the causal relationship in a story. The paper presents a new benchmark dataset for the CGR task that includes 5550 descriptions with one or more Chekhov's Gun in each and validates the task on two more datasets available in the natural language processing (NLP) literature.
• Abstract（参考訳）: チェーホフの銃は、物語のあらゆる要素は必要であり、無関係な要素は取り除かなければならないという劇的な原則である。 本稿では,CGR(Chekhov's gun recognition)とCGR(Chekhov's gun recognition)という自然言語処理タスクを提案する。 古典的な名前付きエンティティ認識(ner)と似ているが、チェーホフの銃は物語における因果関係に大きな影響を与えるため、物語処理のタスクに重大な違いがあり、重要な役割を担っている。 本稿では,CGRタスク用の新しいベンチマークデータセットについて,それぞれ1つ以上のChekhov's Gunを含む5550の記述を含むとともに,自然言語処理(NLP)の文献で利用可能な2つのデータセット上でタスクを検証する。

関連論文リスト

• Are Large Language Models Capable of Generating Human-Level Narratives? [114.34140090869175]
  本稿ではストーリーテリングにおけるLLMの能力について考察し,物語の展開とプロットの進行に着目した。 本稿では,3つの談話レベルの側面から物語を分析するための新しい計算フレームワークを提案する。 談話機能の明示的な統合は、ニューラルストーリーテリングの40%以上の改善によって示されるように、ストーリーテリングを促進することができることを示す。
  論文  参考訳（メタデータ） (2024-07-18T08:02:49Z)
• Text Classification Based on Knowledge Graphs and Improved Attention Mechanism [12.008192698720947]
  モデルは文字レベルと単語レベルの両方で動作し、概念を統合することで理解を深める。 その性能はAGNews、Ohsumed、TagMyNewsなどのデータセットで実証されており、それぞれ75.1%、58.7%、68.5%の精度が達成されている。
  論文  参考訳（メタデータ） (2024-01-07T22:20:55Z)
• DiPlomat: A Dialogue Dataset for Situated Pragmatic Reasoning [89.92601337474954]
  プラグマティック推論は、実生活における会話でしばしば起こる暗黙の意味を解読する上で重要な役割を担っている。 そこで我々は,現実的な推論と会話理解の場所に関するマシンの能力のベンチマークを目的とした,新しい挑戦であるDiPlomatを紹介した。
  論文  参考訳（メタデータ） (2023-06-15T10:41:23Z)
• Detecting Narrative Elements in Informational Text [0.0]
  NEAT(Narrative Elements AnnoTation)は,原文中の物語要素を検出する新しいNLPタスクである。 各種分野の46のニュース記事から収集した2,209文の新しいデータセットを注釈付けするために,本手法を用いる。 我々は、注釈付きデータセット上で複数の異なる設定で教師付きモデルを訓練し、異なる物語要素を識別し、平均F1スコアを最大0.77まで達成した。
  論文  参考訳（メタデータ） (2022-10-06T16:23:33Z)
• A Corpus for Understanding and Generating Moral Stories [84.62366141696901]
  機械のこれらの能力を評価するために,2つの理解タスクと2つの世代タスクを提案する。 我々は、中国語と英語で書かれた道徳的物語の新しいデータセットであるSTORALを提示する。
  論文  参考訳（メタデータ） (2022-04-20T13:12:36Z)
• Towards a Formal Model of Narratives [0.0]
  私たちのフレームワークは、ストーリーの重要な品質とそのコミュニケーションを議論する能力を提供します。 情報伝達の精度を測定するための明示的なアルゴリズムを提供することで,計算ナラトロジーへの適用性を示す。
  論文  参考訳（メタデータ） (2021-03-23T22:33:23Z)
• Semantic Role Labeling Guided Multi-turn Dialogue ReWriter [63.07073750355096]
  意味的役割ラベル付け(SRL)を用いて、誰が誰に何をしたかのコアセマンティック情報を強調することを提案する。 実験の結果、この情報は従来の最先端システムよりも優れていたRoBERTaベースのモデルを大幅に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-03T19:50:04Z)
• Emotion Carrier Recognition from Personal Narratives [74.24768079275222]
  パーソナル・ナラティブズ(Personal Narratives、PN)は、自分の経験から事実、出来事、思考を回想するものである。 感情キャリア認識(ECR)のための新しい課題を提案する。
  論文  参考訳（メタデータ） (2020-08-17T17:16:08Z)
• IITK-RSA at SemEval-2020 Task 5: Detecting Counterfactuals [3.0396370700420063]
  本稿では,SemEval-2020のタスク5への取り組みについて述べる。 そのタスクは、反事実として知られるテキスト表現のクラスを検出することを含んでいた。 カウンターファクトステートメントは、発生しなかった、あるいは発生できなかった事象と、そのような事象の起こりうる影響を記述している。
  論文  参考訳（メタデータ） (2020-07-21T14:45:53Z)
• A Knowledge-Enhanced Pretraining Model for Commonsense Story Generation [98.25464306634758]
  本稿では,外部知識ベースからのコモンセンス知識を利用して,合理的なストーリーを生成することを提案する。 我々は,真と偽のストーリーを識別するための差別的目的を組み合わせたマルチタスク学習を採用している。 我々のモデルは、特に論理学とグローバルコヒーレンスの観点から、最先端のベースラインよりも合理的なストーリーを生成することができる。
  論文  参考訳（メタデータ） (2020-01-15T05:42:27Z)

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。