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！

太長; 讀書

Boost your HackerNoon story @ $159.99! 🚀

“黑泽明”：编剧助理：附录

About Author

註釋

標籤

这篇文章刊登在

Related Stories

看不见的层面：为什么用户访谈是不可替代的资产

如何将您的工作流程提高 10 倍：17 个必备应用程序

架构师指南：构建 AI/ML 数据湖参考架构

加密货币增长：创建有效的用户角色

看不见的层面：为什么用户访谈是不可替代的资产

如何将您的工作流程提高 10 倍：17 个必备应用程序

架构师指南：构建 AI/ML 数据湖参考架构

加密货币增长：创建有效的用户角色

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps