作者：  （1） Prerak Gandhi，印度理工学院孟买分校计算机科学与工程系，prerakgandhi@cse.iitb.ac.in，上述作者对本文的贡献相同；  （2）Vishal Pramanik，印度理工学院孟买分校计算机科学与工程系，vishalpramanik，pb@cse.iitb.ac.in，上述作者对本文的贡献相同；  （3） Pushpak Bhattacharyya，印度理工学院孟买分校计算机科学与工程系 链接表 摘要和简介 动机 相关工作 数据集 实验与评估 结果与分析 结论和未来工作 限制和参考 A. 附录 A. 附录 A.1. 道德考量 我们从 IMDB 和 IMSDb 数据库中获取了所有脚本。该网站对使用其脚本进行研究有免责声明，可在此链接 https://imsdb.com/ disclaimer.html 中找到。我们公平地使用了脚本，没有侵犯版权。  A.2. 注释者资料 在两种情况下，我们需要外部注释者的帮助：（i）手动注释脚本和（ii）根据脚本创建场景及其描述。对于第一项任务，我们寻求了 10 位注释者的帮助。他们的年龄在 21-28 岁之间，都是亚洲人。他们获得了带有注释示例的详细指南。还定期举行会议以确认他们的理解并解决他们的疑问和错误。对于第二项任务，我们寻求了两位注释者的帮助。她们都是年龄在 21-23 岁之间的亚洲女性。她们都获得了场景写作任务的详细指南。随机挑选了一些数据点并进行检查以找出并纠正概念错误。注释者拥有 STEM 和艺术学士和硕士学位。  A.3. 评估指标 评估指标如下：   困惑度是评估语言模型的最常见指标之一。困惑度以熵的指数计算。PPL 值越小，生成的文本的流畅度越高。 • 困惑度 (PPL)：   是许多 任务中常用 指标，尤其是在机器翻译领域。它衡量生成的输出与黄金标准数据之间的重叠度。虽然这个指标没有考虑模型的创造力，但我们可以使用 BLEU 推断出候选文本和参考文本之间的差异。BLEU 值越高，效果越好。 • BLEU： 双语 评估 NLP 的     评估通常用于评估自动摘要。在我们的案例中，它测量生成的图和原始图之间最长的重叠序列。ROUGE 度量越高，效果越好。 • ROUGE： 面向 回忆 的 Gisting E   我们通过计算重复和区别 n-gram 分数来衡量电影情节的冗余度和多样性。 • N-gram：  A.4. 剧本结构 电影剧本或电影剧本的格式与故事不同。剧本是一组场景。每个场景都包含几个主要部分，下面将进行讨论： 此组件描述场景发生的时间和地点。可以将其视为摄像机拍摄的新场景的第一张照片。例如，INT. - RESTAURANT - NIGHT 表示场景开始于夜晚的餐厅内。Sluglines 通常以大写字母书写并左对齐。 场景标题/Sluglines- - 每次角色要进行对话时都会提到这些名称。每个角色的名称都以大写字母显示，并居中对齐。 角色名称 - 对话是角色说的台词。它们出现在剧本中角色名字之后，并居中对齐。 对话 - 动作台词几乎描述了场景的所有内容。它们可以描述为每个脚本的叙述。动作台词可以出现在对话或 slugline 之后，并且左对齐。 动作台词 - 过渡标记从一个场景到下一个场景的转变。它们还描述场景如何结束。例如，DISSOLVE、FADE 和 CUT 是用于指示过渡的不同关键字。它们通常为大写且右对齐。 过渡 图 8 显示了剧本元素的一个示例。  A.5. 故事模板 随着时间的推移，人们开发了各种有助于创作故事的模板。最著名的模板之一是三幕结构（Field，1979）。这种结构将故事分为设置、对抗和结局。在这项工作中，我们使用了四幕结构，现在我们将详细描述它。 - 这是开场/介绍幕。它描述了主角的性格并简要介绍了电影的主题。这一幕以主角开始新的旅程而结束。 第一幕  - 由于第二幕跨度很大，因此可以分为两幕。这一幕通常包含一段爱情故事的开始。当主角试图适应他们的新旅程时，它也让观众感到愉悦。这一幕在电影的中间结束，这是电影的关键时刻之一，要么出现非常积极或消极的场景。 第二幕A - 此幕通常包含主角的垮台。反派或反派开始获得优势，主角则失去某些重要的东西或某个人。此幕以主角在跌入谷底后意识到自己的新使命而结束。 第 2B 幕 — 主角意识到自己需要做出改变，并着手在激动人心的结局中击败反派。影片最后展示了主角在开头所缺乏的令人欣喜的改变。  第三幕  A.6. 微调 GPT-3  GPT-3 于去年被 OpenAI 视为公开可用（Brown 等人，2020 年）。其最佳模型有 1750 亿个参数，远远超过 GPT2 的 29 亿个参数。我们使用 GPT-3 对多个情节生成模型以及场景生成模型进行了微调。情节生成模型的多种组合是短提示或长提示，有或没有类型。对于上述所有组合，GPT-3 模型和超参数保持不变。我们对 GPT-3 Curie 模型进行了四个时期的微调。对于生成文本，GPT-3 提供了各种超参数来调整以更接近我们期望的结果。对于测试，我们将其他超参数设置如下：温度为 0.7，top-p 为 1，频率惩罚为 0.1，存在惩罚为 0.1，最大标记数为 900。  该论文可 。 在 arxiv 上根据 CC 4.0 DEED 许可证获取

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

該音頻是用故事的原始語言製作的！

“黑泽明”：编剧助理：附录

About Author

註釋

標籤

这篇文章刊登在

Related Stories

成功云迁移的完整指南：策略和最佳实践

Telegram：加密岛通往大陆的桥梁

数字游民请注意：您需要了解泰国新推出的 DTV 签证

Claude Sonnet 3.5 系统提示泄漏：法医分析

成功云迁移的完整指南：策略和最佳实践

Telegram：加密岛通往大陆的桥梁

数字游民请注意：您需要了解泰国新推出的 DTV 签证

Claude Sonnet 3.5 系统提示泄漏：法医分析

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps