論文の概要: Improving Pacing in Long-Form Story Planning

• arxiv url: http://arxiv.org/abs/2311.04459v1
• Date: Wed, 8 Nov 2023 04:58:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-09 17:03:54.865807
• Title: Improving Pacing in Long-Form Story Planning
• Title（参考訳）: 長編ストーリープランニングにおけるペーシングの改善
• Authors: Yichen Wang, Kevin Yang, Xiaoming Liu, Dan Klein
• Abstract要約: ストーリーアウトラインを自動的に生成する際のペアリングを改善するためのConCrete Outline ConTrolシステムを提案する。 まず,2つの事象のどちらがより具体的であるかを判断するために,具体性評価器を訓練する。 本研究では,一様ペーシングを目的とした,あいまいな第1展開手順について検討する。
• 参考スコア（独自算出の注目度）: 55.39443681232538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing LLM-based systems for writing long-form stories or story outlines frequently suffer from unnatural pacing, whether glossing over important events or over-elaborating on insignificant details, resulting in a jarring experience for the reader. We propose a CONCrete Outline ConTrol (CONCOCT) system to improve pacing when automatically generating story outlines. We first train a concreteness evaluator to judge which of two events is more concrete (low-level-detailed). This evaluator can then be used to control pacing in hierarchical outline generation; in this work, we explore a vaguest-first expansion procedure that aims for uniform pacing. We further use the evaluator to filter new outline items based on predicted concreteness. Compared to a baseline hierarchical outline generator, humans judge CONCOCT's pacing to be more consistent over 57% of the time across multiple outline lengths; the gains also translate to downstream stories. All code, data, and models are open-sourced.
• Abstract（参考訳）: 長い形式のストーリーやストーリーアウトラインを書くための既存のllmベースのシステムは、重要なイベントに光沢を付けたり、重要でない詳細を過剰に精査したりするなど、しばしば不自然なペースに苦しむ。 ストーリーアウトラインを自動的に生成する際のペーシングを改善するためのConCrete Outline ConTrol(CONCOCT)システムを提案する。 まず,2つの事象のうちどれがより具体的なものかを判断するために,コンクリート性評価器を訓練する。 この評価器は階層的アウトライン生成におけるペーシングの制御に利用でき、この研究では一様ペーシングを目的とした曖昧な第1展開手順を探索する。 さらに,予測された具体性に基づいて,新たなアウトライン項目のフィルタリングを行う。 ベースラインの階層的なアウトラインジェネレータと比較すると、concoctのペーシングは複数のアウトラインの長さで57%以上の時間の一貫性を持つと判断される。 すべてのコード、データ、モデルはオープンソースです。

関連論文リスト

• 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)
• LongStory: Coherent, Complete and Length Controlled Long story Generation [18.886499970698285]
  本稿では,コヒーレント,完全,長大なストーリー生成のためのLongStoryを提案する。 LongStoryは,(1)長期・短期の重み調整器(CWC)と(2)長期ストーリー構造位置(LSP)の2つの新しい手法を導入した。
  論文  参考訳（メタデータ） (2023-11-26T06:24:25Z)
• EIPE-text: Evaluation-Guided Iterative Plan Extraction for Long-Form Narrative Text Generation [114.50719922069261]
  長文物語テキスト生成のための評価誘導反復計画抽出法(EIPE-text)を提案する。 EIPEテキストには、計画抽出、学習、推論の3段階がある。 小説やストーリーテリングの分野におけるEIPEテキストの有効性を評価する。
  論文  参考訳（メタデータ） (2023-10-12T10:21:37Z)
• 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)
• Plot Writing From Pre-Trained Language Models [3.592350589927261]
  事前訓練された言語モデル(PLM)は、グローバルな構造を考慮していないため、長文の物語テキストを生成することができない。 ストーリー生成における最近の研究は、プロンプト、キーワード、セマンティックフレームの形式で明示的なコンテンツ計画を再導入した。 密集的でコンテントフルなストーリーを生成するためのコンテンツプランニングの利点を維持しつつ,既成のPLMを用いてストーリープロットを生成することを提案する。
  論文  参考訳（メタデータ） (2022-06-07T05:30:46Z)
• Consistency and Coherency Enhanced Story Generation [35.08911595854691]
  生成したストーリーの一貫性と一貫性を高めるための2段階生成フレームワークを提案する。 第1段は物語の筋書きや出来事を描いた物語の輪郭を整理し、第2段は完全な物語へと輪郭を広げることである。 さらに、コア参照監視信号は、コア参照エラーを低減し、コア参照一貫性を向上させるために組み込まれている。
  論文  参考訳（メタデータ） (2020-10-17T16:40:37Z)
• Summarize, Outline, and Elaborate: Long-Text Generation via Hierarchical Supervision from Extractive Summaries [46.183289748907804]
  長文生成のためのアウトライン化,アウトライン化,エラボレートを行うパイプラインシステムSOEを提案する。 SOEは、より高速な収束速度とともに、非常に優れた品質の長いテキストを生成する。
  論文  参考訳（メタデータ） (2020-10-14T13:22:20Z)
• Screenplay Summarization Using Latent Narrative Structure [78.45316339164133]
  本稿では,物語の基盤となる構造を一般教師なし・教師付き抽出要約モデルに明示的に組み込むことを提案する。 重要な物語イベント(転回点)の観点で物語構造を定式化し、脚本を要約するために潜伏状態として扱う。 シーンレベルの要約ラベルを付加したテレビ画面のCSIコーパスの実験結果から,潜角点がCSIエピソードの重要な側面と相関していることが判明した。
  論文  参考訳（メタデータ） (2020-04-27T11:54:19Z)
• The Shmoop Corpus: A Dataset of Stories with Loosely Aligned Summaries [72.48439126769627]
  個々の章ごとに詳細なマルチパラグラフの要約と組み合わせた231ストーリーのデータセットであるShmoop Corpusを紹介します。 コーパスから、クローズ形式の質問応答や抽象的要約の簡易な形式を含む共通のNLPタスクのセットを構築する。 このコーパスのユニークな構造は、マシンストーリーの理解をより親しみやすいものにするための重要な基盤となると信じている。
  論文  参考訳（メタデータ） (2019-12-30T21:03:59Z)

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。