GROVE：一种基于证据森林的检索增强复杂故事生成框架
计算与语言
2023-10-25 v2
摘要
条件故事生成在人机交互中具有重要意义，尤其是在生成具有复杂情节的故事方面。尽管大语言模型（LLMs）在包括故事生成在内的多项NLP任务上表现良好，但生成兼具复杂与创造性情节的故事仍具挑战。现有方法常依赖详细提示来引导LLMs满足目标条件，这无意中限制了生成故事的创造潜力。我们认为，利用来自典范人类撰写故事的信息有助于生成更多样的情节线。深入探究故事细节有助于构建复杂且可信的情节。在本文中，我们提出了一种检索增强（检索库+证据森林）的故事生成框架GROVE（检索增\textbf{强}故事生成框架与证据\textbf{森}林）以增强故事的复杂性。我们针对目标条件构建检索库以生成少样本示例来提示LLMs。此外，我们设计了一种“追问为何”的提示方案，提取出一片证据森林，为生成故事中可能出现的模糊之处提供补偿。这一迭代过程揭示了潜在的故事背景。最后，我们从证据森林中选取最契合的证据链并将其整合进生成的故事，从而增强叙事的复杂性与可信度。实验结果和大量示例验证了方法的有效性。
引用
@article{arxiv.2310.05388,
title = {GROVE: A Retrieval-augmented Complex Story Generation Framework with A Forest of Evidence},
author = {Zhihua Wen and Zhiliang Tian and Wei Wu and Yuxin Yang and Yanqi Shi and Zhen Huang and Dongsheng Li},
journal= {arXiv preprint arXiv:2310.05388},
year = {2023}
}
备注
Findings of EMNLP 2023