論文の概要: An Ion Exchange Mechanism Inspired Story Ending Generator for Different
Characters
- arxiv url: http://arxiv.org/abs/2209.00200v1
- Date: Thu, 1 Sep 2022 03:32:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-02 13:21:56.721459
- Title: An Ion Exchange Mechanism Inspired Story Ending Generator for Different
Characters
- Title(参考訳): 異なるキャラクタのためのイオン交換機構によるストーリーエンドジェネレータ
- Authors: Xinyu Jiang, Qi Zhang, Chongyang Shi, Kaiying Jiang, Liang Hu and
Shoujin Wang
- Abstract要約: 物語の各キャラクターのエンディングをカスタマイズするためのキャラクター指向ストーリーエンディングジェネレータ(CoSEG)を提案する。
まず、ストーリーコンテキストから抽出した記述的体験から文字の個性を学ぶための文字モデリングモジュールを提案する。
次に,各文字と対応するコンテキスト間の固有相互作用を学習するために,新しいベクトル分割・生成モジュールを設計する。
- 参考スコア(独自算出の注目度): 19.945761111101344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Story ending generation aims at generating reasonable endings for a given
story context. Most existing studies in this area focus on generating coherent
or diversified story endings, while they ignore that different characters may
lead to different endings for a given story. In this paper, we propose a
Character-oriented Story Ending Generator (CoSEG) to customize an ending for
each character in a story. Specifically, we first propose a character modeling
module to learn the personalities of characters from their descriptive
experiences extracted from the story context. Then, inspired by the ion
exchange mechanism in chemical reactions, we design a novel vector
breaking/forming module to learn the intrinsic interactions between each
character and the corresponding context through an analogical information
exchange procedure. Finally, we leverage the attention mechanism to learn
effective character-specific interactions and feed each interaction into a
decoder to generate character-orient endings. Extensive experimental results
and case studies demonstrate that CoSEG achieves significant improvements in
the quality of generated endings compared with state-of-the-art methods, and it
effectively customizes the endings for different characters.
- Abstract(参考訳): ストーリーエンディング生成は、与えられたストーリーコンテキストに対して合理的なエンディングを生成することを目的としています。
この分野の既存の研究のほとんどは、コヒーレントまたは多様化したストーリーエンディングの生成に焦点を当てているが、異なるキャラクターが与えられたストーリーのエンディングに異なる結果をもたらす可能性があることを無視している。
本稿では,物語中の各キャラクターのエンディングをカスタマイズする文字指向ストーリーエンディングジェネレータ(CoSEG)を提案する。
具体的には、まず、ストーリーコンテキストから抽出した記述経験からキャラクターの個性を学ぶためのキャラクタモデリングモジュールを提案する。
そこで, 化学反応におけるイオン交換機構に着想を得て, 類似情報交換による各文字と対応するコンテキスト間の固有相互作用を学習するための新しいベクトル破れモジュールを設計した。
最後に、アテンションメカニズムを利用して、効果的な文字固有相互作用を学習し、各インタラクションをデコーダに供給し、文字指向の終端を生成する。
実験結果とケーススタディにより、CoSEGは、最先端の手法と比較して生成エンディングの品質を大幅に向上し、異なる文字に対して効果的にエンディングをカスタマイズすることを示した。
関連論文リスト
- Robust Preference Learning for Storytelling via Contrastive
Reinforcement Learning [53.92465205531759]
制御された自動ストーリ生成は、自然言語批判や嗜好から制約を満たす自然言語ストーリを生成することを目指している。
対照的なバイエンコーダモデルをトレーニングし、ストーリーを人間の批評と整合させ、汎用的な嗜好モデルを構築する。
我々はさらに、ストーリー生成の堅牢性を高めるために、プロンプトラーニング技術を用いて、対照的な報酬モデルを微調整する。
論文 参考訳(メタデータ) (2022-10-14T13:21:33Z) - CHAE: Fine-Grained Controllable Story Generation with Characters,
Actions and Emotions [10.694612203803146]
本稿では,物語のきめ細かい制御モデルを提案する。
キャラクター、対応するアクション、感情を任意に割り当てたカスタマイズされたストーリーを生成することができる。
きめ細かいパーソナライズされたガイダンスに従ってストーリーを生成することは、強い制御性を持つ。
論文 参考訳(メタデータ) (2022-10-11T07:37:50Z) - 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) - CLSEG: Contrastive Learning of Story Ending Generation [21.235334611386598]
終末生成(SEG)は自然言語生成において難しい課題である。
事前学習型言語モデル(PLM)は非常に繁栄しており、流動的で一貫性のある物語の結末を生み出すことができる。
本稿では,物語の文脈とより整合した結末を生成するために,コントラスト学習を採用することを目的とする。
論文 参考訳(メタデータ) (2022-02-18T07:11:04Z) - ViNTER: Image Narrative Generation with Emotion-Arc-Aware Transformer [59.05857591535986]
様々な感情を「感情弧」として表現する時系列に焦点をあてた画像物語を生成するモデルViNTERを提案する。
手動評価と自動評価の両方の実験結果を示す。
論文 参考訳(メタデータ) (2022-02-15T10:53:08Z) - Telling Stories through Multi-User Dialogue by Modeling Character
Relations [14.117921448623342]
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。
論文 参考訳(メタデータ) (2021-05-31T15:39:41Z) - 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) - Sketch and Customize: A Counterfactual Story Generator [71.34131541754674]
条件と終了に関係のある因果関係を導いたスケッチ・アンド・カスタマイズ生成モデルを提案する。
実験結果から,従来のシーケンス・ツー・シーケンスモデルと比較して,提案モデルの方がより優れたエンディングを生成することがわかった。
論文 参考訳(メタデータ) (2021-04-02T08:14:22Z) - Controllable Multi-Character Psychology-Oriented Story Generation [28.054245616281023]
SoCP(Storytelling of Multi-Character Psychology)と呼ばれる新しいモデルに基づく注意機構を提案する。
提案モデルでは,異なるキャラクタの心理状態の変化を考慮した物語を生成可能であることを示す。
実験により、生成したストーリーは、自動評価と人的評価の両方に従って、各キャラクターの心理的状態に従うことが示された。
論文 参考訳(メタデータ) (2020-10-11T12:05:00Z) - 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。