检索结果-南通市图书馆

检索条件"主题词=故事结局生成"

共 3 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于深度学习的故事结局生成技术研究

基于深度学习的故事结局生成技术研究

引用

作者：刘庆广广西大学

学位级别：硕士

随着深度学习技术的快速发展,基于深度学习的文本生成的研究也越来越深入,其中故事结局生成任务是近三年来一个热门的纯文本生成任务,它需要充分地理解上下文情节信息,然后根据所理解的信息生成与之相一致的故事结局序列。现有故事结局... 详细信息

随着深度学习技术的快速发展,基于深度学习的文本生成的研究也越来越深入,其中故事结局生成任务是近三年来一个热门的纯文本生成任务,它需要充分地理解上下文情节信息,然后根据所理解的信息生成与之相一致的故事结局序列。现有故事结局生成任务的模型主要存在以下几个不足:1)简单地将上下文信息拼接成一段长序列作为模型的输入,这易丢失某些重要信息,导致不能够充分地编码上下文信息;2)虽然有些模型对相邻句子间的信息进行了建模,但是对于跨句子的关系并没有充分构建,这在编码上下文信息时会极大地影响整体信息的完整度;3)句子内部信息没有被充分挖掘。为了解决故事结局任务存在的不足,本文设计了基于图卷积和依存句法解析的故事结局生成模型:首先通过构建每个情节句的图卷积网络捕获跨句子的上下文信息,然后通过依存句法解析捕获句子内部的信息,并且将解析出的关系作为图卷积的边,以此关联图卷积与解析得到的关系。在公开的ROCStories数据集上,实验结果表明本文提出的基于图卷积与依存句法解析的模型在现有的模型中取得了更佳的效果,这也表明该模型能够有效地改善目前该任务存在的缺陷。本文对深度学习技术在故事结局生成任务进行了深入研究,包括基于Seq2Seq注意力模型、基于Transformer框架模型、基于改进的分层式Transformer模型、基于图卷积模型和基于图卷积和依存句法解析模型,其中重点阐述了基于图卷积与依存句法解析模型。

关键词：故事结局生成图卷积依存句法解析 Seq2Seq Transformer

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

图像启发的故事结局生成研究

图像启发的故事结局生成研究

引用

作者：黄川广西大学

学位级别：硕士

随着计算机视觉与自然语言处理相关技术的发展,根据图像信息或者文本信息的故事生成任务的研究也越来越深入,但少有同时结合文本信息与视觉信息进行故事生成的研究。本文提出图像启发的故事结局生成任务,根据提供的故事情节,使用一张故... 详细信息

随着计算机视觉与自然语言处理相关技术的发展,根据图像信息或者文本信息的故事生成任务的研究也越来越深入,但少有同时结合文本信息与视觉信息进行故事生成的研究。本文提出图像启发的故事结局生成任务,根据提供的故事情节,使用一张故事结局相关的图像,在这张图像的启发和引导下生成一个既符合故事情节逻辑又包含图像语义内容的故事结局。图像启发的故事结局生成任务的难点包括:1)要求故事结局生成系统首先能够充分地理解文本故事情节和图像;2)要求模型能够充分地融合语言和视觉信息,有效建模模态之间和模态之内显式和隐式的关系;3)要求模型能够从图像中选择与故事情节发展趋势相匹配的视觉概念,挖掘图像的高级语义,生成连贯、语义丰富、更具吸引力的故事结局。为了应对图像启发的故事结局生成任务的挑战,本文提出基于多重图神经网络和多重长短期记忆神经网络的故事结局生成模型。首先对故事情节中的各句进行依存句法分析,利用句子中词之间的依存关系构建句子的图网络;然后通过单重图神经网络编码单个句子,使用多重图神经网络编码整个故事文本,捕获故事文本之间的逻辑关系;最后使用一个多重长短期记忆神经网络解码器生成故事结局。特别地,在解码器中使用一个级联文本-图像注意力机制,融合文本与图像特征,并选择与故事发展相关的视觉概念,引导生成与图像语义相关的文本。本文分别设计了基于多重图注意力网络模型(MGATL)和基于多重图卷积网络模型(MGCNL)。此外,本文使用Seq2Seq、Transformer、IE-MSA和T-CVAE这几个故事结局生成模型作为对比模型,进行故事结局生成和图像启发的故事结局生成任务实验。大量的效果对比实验、消融实验以及实例与可视化分析结果表明,基于多重图卷积网络的模型能够有效地编码故事上下文,并通过多重长短期记忆解码器选择重要的视觉概念,生成逻辑自洽、语义丰富、符合图像内容的故事结局,在图像信息的帮助下可以生成更具体和可读性更高的故事结局。

关键词：故事结局生成多模态图卷积网络图注意力网络注意力机制

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

常识知识增强的自然语言生成技术研究与应用

常识知识增强的自然语言生成技术研究与应用

引用

作者：张雨时华东师范大学

学位级别：硕士

自然语言生成旨在根据给定的上下文生成符合要求的内容,被广泛应用于不同的下游任务中,具有极高的应用价值和研究意义。然而,仅仅依赖文本表面的信息,模型难以理解其背后蕴含的隐式信息,无法生成符合上下文的内容。常识知识可以从不同... 详细信息

自然语言生成旨在根据给定的上下文生成符合要求的内容,被广泛应用于不同的下游任务中,具有极高的应用价值和研究意义。然而,仅仅依赖文本表面的信息,模型难以理解其背后蕴含的隐式信息,无法生成符合上下文的内容。常识知识可以从不同的角度挖掘自然语言背后隐含的逻辑、情感和语义,因此,本文聚焦于常识知识增强的自然语言生成技术,利用多种常识知识库对自然语言进行不同角度的推理,辅助模型生成结果。首先采用事件级别的常识知识增强上下文的因果逻辑,生成符合上下文逻辑的故事结局。其次利用多粒度的常识知识分析对话的逻辑、情感和语义,生成更加人性化、多样化、符合上下文的回复。最后基于常识推理开发了情感对话系统,使系统的回复更加具备同理心。具体的研究内容如下:(1)联合常识事件推理的故事结局生成模型:故事生成任务中,由于常识事件的缺失,导致模型生成结果不符合剧情发展逻辑的问题,本文提出了联合常识事件推理的故事结局生成模型(Causal Commonsense Enhanced Joint Model for Story Ending Generation,CEG)。首先提出常识事件生成模型,将常识知识库GLUCOSE转化为生成模型,利用prompt根据故事生成常识事件作为伪标签训练CEG。CEG通过完成常识事件推理任务以及故事结局生成任务来生成故事的结局,前者根据故事的每一句话推理常识事件,为模型提供长距离的信息以更好地理解其中的逻辑,后者则利用常识事件辅助生成符合上下文的结局。通过两个任务的联合训练,可以使推理得到的常识事件包含更多故事结局所需的信息。在ROCStories数据集上的实验结果证明了CEG的有效性,可以生成合理的故事结局。(2)基于多粒度常识推理的情感对话生成模型:情感对话任务中,由于语句较为简短,缺失了大量常识信息,导致模型对语义、情感和逻辑理解不准确的问题,本文提出了基于多粒度常识推理的情感对话生成模型(Multi-granularity Common-sense Reasoning Enhanced Emotional Dialogue Generation Model,MCG)。首先,使用Concept Net根据对话关键词提取相关的子图,提供实体级别的常识信息。同时利用COMET推理对话相关的常识事件,提供事件级别的因果推理。模型使用图神经网络以及Transformer编码器对不同粒度的知识进行编码,提供逻辑、情感和语义方面的信息。其次,模型根据对话上下文预测用户的情感和意图,改进Transformer编码器,利用并列的多头注意力机制融合不同粒度的常识知识,从句子、对话以及回复三个维度来分析用户的情绪和意图。最后,模型根据回复所需表达的情感和意图,结合常识知识作为prompt引导模型生成回复,使结果更加符合上下文、多样化。模型在Empathetic Dialogues数据集上达到了SOTA的效果,证明MCG可以精准地预测用户的情感和意图,生成合理、多样的回复。(3)基于常识推理的情感对话系统:基于前面的研究,本文提出了基于常识推理的情感对话系统,系统将Concept Net以及COMET进行封装,对用户的语句进行实时地推理,辅助系统生成回复。同时模型将MCG进行封装,在对话过程中充分理解用户的意图以及情绪,动态地调整策略,以最合适的情感回复用户,使回复更加人性化、多样化。最后模型实现了后台的网络接口以及前端的网页客户端,为用户提供与系统实时交流的功能。

关键词：自然语言生成常识知识对话生成故事结局生成对话系统

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：