[论文解读] Automatic Story Generation: Challenges and Attempts

Amal Alabdulkarim, Siyan Li+1 more|arXiv (Cornell University)|Feb 25, 2021

Topic Modeling参考文献 53被引用 7

一句话总结

本综述识别了自动故事生成中的核心挑战——可控性、常识推理、角色表征和创造力，并回顾了基于神经模型（尤其是变换器）的最先进方法。它指出了评估指标方面的空白，并提出了未来研究方向，包括统一的评估指标和故事级别的常识推理。

ABSTRACT

The scope of this survey paper is to explore the challenges in automatic story generation. We hope to contribute in the following ways: 1. Explore how previous research in story generation addressed those challenges. 2. Discuss future research directions and new technologies that may aid more advancements. 3. Shed light on emerging and often overlooked challenges such as creativity and discourse.

研究动机与目标

• 系统分析自动故事生成中的主要挑战，包括可控性、常识推理、角色建模和创造力。
• 回顾现有技术与模型（尤其是基于变换器的方法）在应对这些挑战方面的应用。
• 识别尚未充分探索的领域，如多角色交互和神经生成中的叙事创造力。
• 提出未来研究方向，包括改进的评估指标和故事级别的常识推理。
• 为进入计算叙事生成领域的研究人员提供全面且最新的起点。

提出的方法

• 将故事生成挑战划分为四个关键领域：可控性、常识知识整合、角色与实体表征，以及创造力。
• 回顾强化学习与潜在变量建模在控制故事结构与结局中的应用。
• 分析通过在数据集上微调、因果感知建模和知识图谱编码器来整合常识知识的方法。
• 分析基于变换器的模型（如 GPT-2）在叙事生成中的应用及其在连贯性与控制方面的局限性。
• 探讨实体与情感表征方法，以提升情节连贯性与以角色为中心的叙事质量。
• 提出结合多种方法（如知识图谱、微调与因果建模）以提升故事质量与连贯性。

实验结果

研究问题

• RQ1 当前的神经模型在故事生成中如何平衡叙事连贯性与用户控制？
• RQ2 常识知识在多大程度上能提升生成故事的逻辑一致性？
• RQ3 现有评估指标（如 BLEU 和 ROUGE）在评估创造力与趣味性等故事特异性品质时存在哪些局限性？
• RQ4 如何建模角色情感与多角色交互以提升叙事质量？
• RQ5 哪些未来研究方向可能推动更连贯、更具创造力且逻辑一致的自动故事生成？

主要发现

• 故事生成中的可控性仍是主要挑战，结构连贯性与叙事创造力之间存在权衡。
• 在常识数据集上进行微调并整合知识图谱可提升故事质量，但尚无方法能确保完全连贯或合逻辑的叙事。
• 基于变换器的模型（如 GPT-2）可实现高质量生成，但在缺乏显式控制机制时，常出现实体与事件不一致的问题。
• 当前评估指标（如 BLEU 和 ROUGE）无法有效捕捉创造力与情节连贯性等故事特异性属性。
• 尽管多角色交互与角色情感建模具有提升叙事真实感的潜力，但相关研究仍显不足。
• 故事级别的常识推理是新兴且尚未充分探索的方向，可能显著提升长篇叙事的逻辑一致性。