面向足球精彩片段的自动评论生成.pdfVIP

面向足球精彩片段的自动评论生成

ChidakshRavuru

chidaksh@

1摘要言变化和内容确定性对此进行了改进。然而，

这些方法缺乏适应实时事件的能力。

自动足球赛事解说生成已经从基于模板的

神经网络方法的发展标志着一个重要的转

本系统发展到先进的神经网络架构，旨在实时描变。(vanderLeeetal.,2017)引入了PASS，这

译述体育赛事。虽然像SoccerNet-Caption这样的是一种从比赛统计数据生成定制足球报告的

中框架奠定了基础工作，但它们无法实现视频内数据到文本系统。虽然这种方法提高了风格的

1容与解说之间的精细对齐仍然是一个重大挑

v适应性，但它仍然严重依赖于预定义的规则。

3战。最近的努力如MatchTime及其MatchVoice(Wisemanetal.,2017)提出了一种用于生成篮

4模型通过粗细粒度对齐技术解决了这一问题，

5球比赛摘要的神经模型，突显了深度学习在数

7实现了改进的时间同步。在本文中，我们扩展了

0据驱动文本生成方面的潜力。然而，这些努力

.MatchVoice以生成足球集锦的解说，并使用强

8主要集中在生成赛后总结而非实时评论。

0调短片而非整场比赛的GOAL数据集。我们进

5近期的努力集中在大规模数据集和多模态

2行了广泛的实验来重现原始的MatchTime结果

:学习上。SoccerNet-Caption(Mkhallatietal.,2023)

v并评估我们的设置，突出了不同训练配置和硬

i提供了来自471场完整比赛的37000条带时间

x件限制的影响。此外，我们探讨了窗口大小变

r戳的评论，使训练能够生成上下文相关描述的

a化对零样本性能的影响。尽管MatchVoice展示

模型成为可能。GOAL数据集(Qietal.,2023)通

了良好的泛化能力，但我们的研究发现表明需

过整合外部知识如球员统计数据和策略等进一

要整合更广泛视频语言领域的技术以进一步提

步扩展了这一点，使得描述更加准确和丰富。

升性能。我们的代码可在/chi-

然而，细粒度事件-评论对齐的缺乏仍然是一

daksh/足球评论获取。

个限制。

为了解决这些挑战，MatchTime及其