Autoren:  (1) Prerak Gandhi, Department of Computer Science and Engineering, Indian Institute of Technology Bombay, Mumbai, prerakgandhi@cse.iitb.ac.in, und diese Autoren haben zu gleichen Teilen zu dieser Arbeit beigetragen;  (2) Vishal Pramanik, Department of Computer Science and Engineering, Indian Institute of Technology Bombay, Mumbai, vishalpramanik,pb@cse.iitb.ac.in, und diese Autoren haben zu gleichen Teilen zu dieser Arbeit beigetragen;  (3) Pushpak Bhattacharyya, Abteilung für Informatik und Ingenieurwesen, Indian Institute of Technology Bombay, Mumbai.  Linktabelle   Zusammenfassung und Einleitung   Motivation   Ähnliche Projekte   Datensatz   Experimente und Evaluation   Ergebnisse und Analyse   Schlussfolgerung und zukünftige Arbeit   Einschränkungen und Referenzen   A. Anhang  5. Experimente und Evaluation  Wir optimieren GPT3 mit unseren Datensätzen (siehe   ). Anhang A.6  5.1. Plotgenerierung  Wir haben 5 Modelle erstellt, indem wir GPT-3 mit unserem Datensatz zu Filmhandlungen auf folgende Weise feinabgestimmt haben: (i)   (ohne Annotationen) (   ): Eingabe – kurze Handlungsstränge, Ausgabe – Handlungsstränge ohne jegliche Annotationen, (ii)     : Eingabe – kurze Handlungsstränge, Ausgabe – Handlungsstränge mit Annotationen in einer 4-Akt-Struktur, (iii)   (   ): Eingabe – lange, ausführlichere Handlungsstränge, Ausgabe – Handlungsstränge mit Annotationen in einer 4-Akt-Struktur, (iv)   (   ): Eingabe – kurze Handlungsstränge und Genre, Ausgabe – Handlungsstränge mit Annotationen in einer 4-Akt-Struktur, (v)   (   ): Eingabe – lange und ausführlichere Handlungsstränge zusammen mit dem Genre, Ausgabe – Handlungsstränge mit Annotationen in einer 4-Akt-Struktur. Original O Annotation und kurze Eingabe (AS) Annotation und lange Eingabe AL Annotation und kurze Eingabe mit eingeschlossenen Genres ASG Annotation und lange Eingabe mit eingeschlossenen Genres ALG  Zur automatischen Bewertung verwenden wir   (Papineni et al., 2002),   (Jelinek et al., 1977) und   (Lin, 2004). Wir verwenden auch eine menschliche Bewertung in Form einer fünfstufigen Likert-Skala (Likert, 1932). Das Bewertungssystem umfasst 1-> Stimme überhaupt nicht zu, 2-> Stimme nicht zu, 3-> Neutral, 4-> Stimme zu, 5-> Stimme voll und ganz zu. Von Menschen geschriebene Geschichten werden mit einer Bewertung von 5 für jedes der folgenden 5 Merkmale angenommen: (1)   : grammatikalische Richtigkeit; (2)   : logische Anordnung der Sätze und Absätze; (3)   : Ob die wichtigsten Punkte der Eingabeaufforderung in der Ausgabe hervorgehoben wurden; (4)   : Das Maß dafür, wie unterhaltsam die Geschichte ist; (5)   : Ob die Ausgabe neue Ereignisse, Charakterprofile oder Beziehungen einführt. BLEU Perplexity ROUGE Flüssigkeit Kohärenz Relevanz Sympathie Kreativität  Zur Plotgenerierung generieren wir 50 Plots aus 50 Testaufforderungen. Wir teilen die Geschichten in fünf Gruppen zu je 10 Personen auf und weisen jeder Gruppe drei Bewerter zu.  Zur Szenengenerierung generieren wir aus zehn Testaufforderungen zehn Szenen. Wir beauftragen fünf Bewerter mit der Bewertung dieser zehn Geschichten.  Dieses Dokument ist   . auf arxiv unter der CC 4.0 DEED-Lizenz verfügbar

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Teleplay.Tech

From teleplay to technology, we weave a narrative tapestry that dances between writing, CGI, and action.

Teleplay's blog

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Boost your HackerNoon story @ $159.99! 🚀

„Kurosawa“: Der Assistent eines Drehbuchautors: Experimente und Evaluation

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

Welcome to HackerNoon Decoded: The Best of 2024 Tech Blogging

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Celebrating Our AI Community!

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

Welcome to HackerNoon Decoded: The Best of 2024 Tech Blogging

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Celebrating Our AI Community!

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps