論文の概要: Towards Inter-character Relationship-driven Story Generation

• arxiv url: http://arxiv.org/abs/2211.00676v1
• Date: Tue, 1 Nov 2022 18:04:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 13:11:21.425882
• Title: Towards Inter-character Relationship-driven Story Generation
• Title（参考訳）: キャラクタ間関係駆動ストーリー生成に向けて
• Authors: Anvesh Rao Vijjini, Faeze Brahman, Snigdha Chaturvedi
• Abstract要約: ストーリー生成のための潜在変数としての関係性(ReLiSt)を提案する。 ReLiStは文単位でストーリー文を生成し、関係セレクタとストーリーストレッチャーという2つの主要なコンポーネントを持つ。 我々の自動的および人的評価は、ReLiStが望ましい関係に忠実な関係を持つストーリーを生成できることを示しています。
• 参考スコア（独自算出の注目度）: 13.787149363375137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce the task of modeling interpersonal relationships for story generation. For addressing this task, we propose Relationships as Latent Variables for Story Generation, (ReLiSt). ReLiSt generates stories sentence by sentence and has two major components - a relationship selector and a story continuer. The relationship selector specifies a latent variable to pick the relationship to exhibit in the next sentence and the story continuer generates the next sentence while expressing the selected relationship in a coherent way. Our automatic and human evaluations demonstrate that ReLiSt is able to generate stories with relationships that are more faithful to desired relationships while maintaining the content quality. The relationship assignments to sentences during inference bring interpretability to ReLiSt.
• Abstract（参考訳）: 本稿では,物語生成のための対人関係をモデル化するタスクを紹介する。 この課題に対処するため、我々はReliSt(ReliSt)の潜在変数として関係性を提案する。 ReLiStは文単位でストーリー文を生成し、関係セレクタとストーリーストレッチャーという2つの主要なコンポーネントを持つ。 関係セレクタは、次に提示する関係を選択する潜在変数を特定し、ストーリー継続者は、選択された関係をコヒーレントな方法で表現しながら、次の文を生成する。 我々の自動評価と人的評価は、ReLiStがコンテンツ品質を維持しながら、望ましい関係に忠実なストーリーを生成できることを示しています。 推論中の文間の関係の割り当てはReLiStに解釈可能性をもたらす。

関連論文リスト

• Large Language Models Fall Short: Understanding Complex Relationships in Detective Narratives [21.297972871264744]
  我々は,刑事談話から複雑な文字関係グラフを抽出し,解析するための新しいベンチマークであるConanを導入する。 具体的には、階層的な関係カテゴリを設計し、様々なキャラクターの視点から手動で役割指向関係を抽出し、注釈付けした。 GPT-3.5やGPT-4、Llama2といった先進言語モデル(LLM)を用いた実験は、複雑な関係を推論し、より長い物語を扱う際の限界を明らかにします。
  論文  参考訳（メタデータ） (2024-02-16T19:59:45Z)
• More than Classification: A Unified Framework for Event Temporal Relation Extraction [61.44799147458621]
  イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。 イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。 本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T02:09:08Z)
• ChatGPT Evaluation on Sentence Level Relations: A Focus on Temporal, Causal, and Discourse Relations [52.26802326949116]
  対話型大規模言語モデルChatGPTの性能を,文間関係に基づいて定量的に評価する。 ChatGPTは因果関係の検出と推論において極めて優れた能力を示す。 既存の明示的な談話接続物との談話関係の大多数を特定できるが、暗黙的な談話関係は依然として恐ろしい課題である。
  論文  参考訳（メタデータ） (2023-04-28T13:14:36Z)
• Re3: Generating Longer Stories With Recursive Reprompting and Revision [83.99558005056817]
  我々は,2千語以上の長文を自動生成する問題を考察する。 短いストーリーの以前の作業と比較して、長距離プロットのコヒーレンスと関連性は、ここではより中心的な課題である。 本稿では,これらの課題に対処するRecursive Reprompting and Revision framework(Re3)を提案する。
  論文  参考訳（メタデータ） (2022-10-13T06:29:57Z)
• COINS: Dynamically Generating COntextualized Inference Rules for Narrative Story Completion [16.676036625561057]
  我々は、文脈文を反復的に読み出し、文脈化された推論規則を生成し、それらを符号化し、タスク固有の出力生成をガイドするフレームワークであるCOINSを提案する。 繰り返しモデルで推論と文生成のステップをモジュール化することにより、推論のステップとその次の文生成に対する影響を透過的にすることを目指す。 自動的および手動的評価は、特にコヒーレンスの観点から、SOTAベースラインよりも優れたストーリー文を生成することを示す。
  論文  参考訳（メタデータ） (2021-06-04T14:06:33Z)
• 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)
• DDRel: A New Dataset for Interpersonal Relation Classification in Dyadic Dialogues [11.531187569461489]
  本稿では,対話に基づく対話者関係分類の課題を提案する。 我々はIMSDbから映画スクリプトをクロールし、13の事前定義された関係に従って各セッションの関連ラベルを注釈付けした。 注釈付きデータセットDDRelは、合計53,126発の694対の話者間の6300のダイアディック対話セッションで構成されている。
  論文  参考訳（メタデータ） (2020-12-04T12:30:31Z)
• Relation Clustering in Narrative Knowledge Graphs [71.98234178455398]
  原文内の関係文は(SBERTと)埋め込み、意味論的に類似した関係をまとめるためにクラスタ化される。 予備的なテストでは、そのようなクラスタリングが類似した関係を検知し、半教師付きアプローチのための貴重な前処理を提供することが示されている。
  論文  参考訳（メタデータ） (2020-11-27T10:43:04Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• Improving Long-Tail Relation Extraction with Collaborating Relation-Augmented Attention [63.26288066935098]
  本稿では,ニューラルネットワーク,コラボレーティング・リレーショナル・アテンション(CoRA)を提案する。 一般的なベンチマークデータセットNYTの実験では、提案されたCoRAは、最先端のパフォーマンスを大きなマージンで改善する。
  論文  参考訳（メタデータ） (2020-10-08T05:34:43Z)

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。