論文の概要: Ontologically Faithful Generation of Non-Player Character Dialogues
- arxiv url: http://arxiv.org/abs/2212.10618v1
- Date: Tue, 20 Dec 2022 19:48:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 14:27:14.746324
- Title: Ontologically Faithful Generation of Non-Player Character Dialogues
- Title（参考訳）: 非プレーヤ文字対話のオントロジー的忠実生成
- Authors: Nathaniel Weir, Ryan Thomas, Randolph D'Amore, Kellie Hill, Benjamin
Van Durme, Harsh Jhamtani
- Abstract要約: KNUDGE (KNowledge Constrained User-NPC Dialogue GEneration) は、自然言語パスでキャプチャされたオントロジーに基づく対話ツリーを生成する。
KNUDGEは、Obsidian EntertainmentのThe Outer Worldsのゲームデータから直接引き出されたサイドクエストの対話から構築されている。
- 参考スコア（独自算出の注目度）: 26.88182907706951
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a language generation task grounded in a popular video game
environment. KNUDGE (KNowledge Constrained User-NPC Dialogue GEneration)
involves generating dialogue trees conditioned on an ontology captured in
natural language passages providing quest and entity specifications. KNUDGE is
constructed from side quest dialogues drawn directly from game data of Obsidian
Entertainment's The Outer Worlds, leading to real-world complexities in
generation: (1) dialogues are branching trees as opposed to linear chains of
utterances; (2) utterances must remain faithful to the game lore--character
personas, backstories, and entity relationships; and (3) a dialogue must
accurately reveal new quest-related details to the human player. We report
results for supervised and in-context learning techniques, finding there is
significant room for future work on creating realistic game-quality dialogues.
- Abstract（参考訳）: 本稿では,人気ゲーム環境に根ざした言語生成タスクを提案する。
KNUDGE (KNowledge Constrained User-NPC Dialogue GEneration) は、クエストおよびエンティティ仕様を提供する自然言語パスでキャプチャされたオントロジーで条件付けられた対話ツリーを生成する。
クヌージは、オブシディアン・エンタテインメントの『ザ・アウターワールド』のゲームデータから直接引き出されたサイドクエスト対話から構築されており、(1)対話は、発話の線形連鎖とは対照的に木を分岐させ、(2)発話は、ゲームlore-character persona, backstories, and entity relationsに忠実でなければならない、(3) 対話は、人間のプレイヤーに新たなクエスト関連の詳細を正確に明かさなければならない。
我々は,教師付き・コンテキスト内学習手法の成果を報告し,現実的なゲーム品質の対話を作るための重要な作業の余地があることを見出した。
関連論文リスト
- MCPDial: A Minecraft Persona-driven Dialogue Dataset [22.420926356322568]
Minecraft Persona-driven Dialogue dataset (MCPDial)について紹介する。
専門家が書いた会話の小さなシードから始めると、さらに数百の会話を生成するために我々の手法が使われます。
会話は長く、プレイヤーとNPCの間の深い対話を可能にする。
論文 参考訳（メタデータ） (2024-10-29T00:19:55Z) - 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) - 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) - Back to the Future: Bidirectional Information Decoupling Network for
Multi-turn Dialogue Modeling [80.51094098799736]
ユニバーサル対話エンコーダとして双方向情報デカップリングネットワーク(BiDeN)を提案する。
BiDeNは過去と将来の両方のコンテキストを明示的に取り入れており、幅広い対話関連のタスクに一般化することができる。
異なる下流タスクのデータセットに対する実験結果は、我々のBiDeNの普遍性と有効性を示している。
論文 参考訳（メタデータ） (2022-04-18T03:51:46Z) - Immersive Text Game and Personality Classification [1.9171404264679484]
没入型テキストゲームでは、プレイヤーはストーリーとキャラクターを選択し、没入型で他のキャラクターと対話することができる。
このゲームはテキスト生成言語モデル、情報抽出モデル、コモンセンス推論モデル、心理学評価モデルなど、いくつかの最新モデルに基づいている。
論文 参考訳（メタデータ） (2022-03-20T18:37:03Z) - Learning-by-Narrating: Narrative Pre-Training for Zero-Shot Dialogue
Comprehension [48.483910831143724]
対話を補完するには、発話中の様々なキー情報をキャプチャするモデルが必要である。
そこで我々は,対話入力からキー情報をナレーションすることで学習する,物語誘導型事前学習戦略を開発した。
論文 参考訳（メタデータ） (2022-03-19T05:20:25Z) - 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) - Knowledge Injection into Dialogue Generation via Language Models [85.65843021510521]
InjKは対話生成モデルに知識を注入するための2段階のアプローチである。
まず、大規模言語モデルをトレーニングし、テキスト知識としてクエリする。
次に、対話生成モデルを作成し、テキスト知識と対応する応答を逐次生成する。
論文 参考訳（メタデータ） (2020-04-30T07:31:24Z) - TOD-BERT: Pre-trained Natural Language Understanding for Task-Oriented
Dialogue [113.45485470103762]
本研究では,言語モデリングのためのタスク指向対話データセットを,人間とマルチターンの9つに統合する。
事前学習時の対話動作をモデル化するために,ユーザトークンとシステムトークンをマスク付き言語モデルに組み込む。
論文 参考訳（メタデータ） (2020-04-15T04:09:05Z) - I love your chain mail! Making knights smile in a fantasy game world:
Open-domain goal-oriented dialogue agents [69.68400056148336]
我々は、模倣学習したチトチャットモデルに対して強化学習を施した目標指向モデルを訓練する。
両モデルが逆モデルベースラインより優れており,目標を達成するために対話相手と自然に会話できることを示す。
論文 参考訳（メタデータ） (2020-02-07T16:22:36Z)
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。