从独立短描述序列生成故事
计算与语言
2017-08-22 v2
摘要
现有的自然语言生成(NLG)系统是弱人工智能系统，当语言生成任务需要更高水平的创造力、原创性和简洁性时，表现出有限的能力。不幸的是，针对此类创造性任务的有效解决方案或至少现代NLG范式的评估一直难以实现。本文引入并解决了从描述场景或事件的独立描述生成连贯故事的任务。为此，我们沿着两种流行的文本生成范式展开探索——(1) 统计机器翻译(SMT)，将故事生成视为翻译问题；(2) 深度学习，将故事生成视为序列到序列学习问题。在SMT中，我们选择了两种流行的方法，如基于短语的SMT (PB-SMT)和基于句法的SMT (SYNTAX-SMT)，将不连贯的输入文本“翻译”成故事。然后我们实现了一种深度循环神经网络(RNN)架构，该架构将变长输入描述序列编码为相应的潜在表示，并解码它们以产生格式良好的、全面的类故事摘要。所建议方法的有效性在公开数据集上借助流行的机器翻译和摘要评估指标得到了证明。
引用
@article{arxiv.1707.05501,
title = {Story Generation from Sequence of Independent Short Descriptions},
author = {Parag Jain and Priyanka Agrawal and Abhijit Mishra and Mohak Sukhwani and Anirban Laha and Karthik Sankaranarayanan},
journal= {arXiv preprint arXiv:1707.05501},
year = {2017}
}
备注
Accepted in SIGKDD Workshop on Machine Learning for Creativity (ML4Creativity), 2017