Une nouvelle approche pour la génération d'histoires
Explorer une méthode pour créer des histoires cohérentes avec des points de terminaison liés.
― 5 min lire
Table des matières
La narration est une partie super importante de la culture humaine. Les écrivains créent souvent des histoires qui commencent avec une idée et reviennent à cette idée à la fin. Cette pratique aide à créer un sentiment d'achèvement ou de conclusion. Dans cet article, on va parler d'une nouvelle méthode pour générer des histoires qui se concentre sur des phrases de début et de fin liées.
Le besoin de clôture narrative
La clôture narrative, c'est ce qui donne à une histoire une fin satisfaisante. C'est le sentiment que toutes les questions soulevées dans l'histoire ont été répondues. Les écrivains atteignent souvent cette clôture en reliant la dernière phrase de l'histoire à la première. On appelle souvent ça le bookending. Une bonne histoire laisse le lecteur avec une sensation de complétude.
Alors que la Génération automatique d'histoires s'est améliorée ces dernières années, beaucoup de méthodes ont encore du mal à créer des récits qui semblent complets et cohérents. Notre nouvelle méthode, le Générateur de Narration de Points de Fin Liés (RENarGen), vise à résoudre ce problème en s'assurant que les phrases de début et de fin d'une histoire sont liées, créant ainsi un sentiment de clôture.
Comment ça marche
Notre approche implique deux composants principaux : le Générateur de Points de Fin et le Remplisseur d'Histoire.
Génération de Points de Fin
Le Générateur de Points de Fin est responsable de la création de phrases de départ et de fin liées. Donnée une phrase de départ, il génère une liste de phrases clés importantes pour le récit. À partir de cette liste, il crée ensuite une phrase de fin qui se connecte au début.
La méthode utilise deux types de modèles : les modèles de langage (LMs) et les grands modèles de langage (LLMs). Les LMs sont plus petits et plus faciles d'accès, tandis que les LLMs peuvent produire des récits plus complexes et intéressants.
Remplissage d'Histoire
Une fois les phrases de départ et de fin générées, le Remplisseur d'Histoire ajoute les phrases du milieu. Au lieu d'écrire simplement des phrases du début à la fin, il trouve des lacunes dans le récit et les comble. Cette méthode est conçue pour imiter comment les écrivains humains ajoutent souvent des phrases là où ils estiment qu'il manque des informations.
Points de Fin Liés
Dans notre méthode, les phrases de départ et de fin sont considérées comme "liées" si elles partagent des thèmes, des personnages, des actions ou des décors communs. Ce lien est essentiel pour atteindre la clôture narrative. Par exemple, si une histoire commence avec un personnage qui cherche un nouveau chez-soi, une fin liée pourrait faire référence au personnage qui trouve enfin ce chez-soi.
Aperçu du Cadre
Le cadre global peut être résumé en quelques étapes :
- Donnée une phrase de départ, générer des phrases clés qui y sont liées.
- Créer une phrase de fin liée basée sur ces phrases.
- Remplir les phrases du milieu en identifiant où plus d'informations sont nécessaires dans le récit.
Ça garantit que l'histoire ne coule pas seulement bien mais ferme aussi la boucle, la rendant plus satisfaisante pour les lecteurs.
L'importance de la génération d'histoires
La génération d'histoires a de nombreuses applications, du divertissement comme les livres et les films aux outils éducatifs. La génération automatique de récits peut aider à créer du contenu engageant rapidement. En se concentrant sur la clôture narrative et la cohérence, notre méthode offre un nouveau moyen d'améliorer la qualité des histoires générées automatiquement.
Évaluation de la Méthode
Pour évaluer notre méthode, on a utilisé à la fois des métriques automatiques et des évaluations humaines. Les évaluations automatiques mesurent des choses comme à quel point les phrases de départ et de fin se rapportent l'une à l'autre et la qualité globale de l'histoire. Les évaluations humaines consistent à demander aux gens de choisir quelles histoires ils trouvent les plus satisfaisantes.
Les résultats ont montré que notre méthode tend à produire des histoires qui semblent plus complètes comparées aux modèles existants. Les histoires avec des points de fin liés fournissent un sens de clôture plus fort.
Conclusion
En résumé, notre nouvelle approche pour générer des récits se concentre sur la création de phrases de départ et de fin liées. Cela aide non seulement à fournir une clôture narrative mais améliore aussi la qualité globale des histoires. En combinant à la fois des LMs et des LLMs, on peut profiter des forces de chacun tout en s'attaquant à leurs faiblesses. À travers nos évaluations, on a démontré l'efficacité de cette méthode pour produire des récits cohérents et satisfaisants.
Alors que la génération automatique d'histoires continue d'évoluer, des méthodes comme RENarGen pourraient jouer un rôle crucial dans l'amélioration de la narration, que ce soit dans des livres, des films, des jeux ou des outils éducatifs.
Titre: Returning to the Start: Generating Narratives with Related Endpoints
Résumé: Human writers often bookend their writing with ending sentences that relate back to the beginning sentences in order to compose a satisfying narrative that "closes the loop." Motivated by this observation, we propose RENarGen, a controllable story-generation paradigm that generates narratives by ensuring the first and last sentences are related and then infilling the middle sentences. Our contributions include an initial exploration of how various methods of bookending from Narratology affect language modeling for stories. Automatic and human evaluations indicate RENarGen produces better stories with more narrative closure than current autoregressive models.
Auteurs: Anneliese Brei, Chao Zhao, Snigdha Chaturvedi
Dernière mise à jour: 2024-03-31 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2404.00829
Source PDF: https://arxiv.org/pdf/2404.00829
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.