Prose2Poem: The Blessing of Transformers in Translating Prose to Persian Poetry
University of Guilan（吉兰大学）；Alzahra University（扎赫拉大学）；Shahid Beheshti University（沙希德·贝赫什提大学）
波斯诗歌一贯表达其哲学，智慧，演讲和理论的基础上，其对句，使其成为一个谜一样的语言本身的母语和非母语。然而，波斯散文和诗歌之间的显著差距使这两种文学作品的媒介少。在策划了一个平行的散文和它们的对等诗歌语料库之后，我们引入了一种新颖的神经机器翻译（NMT）方法，使用基于transformer的语言模型在极低的资源环境中将散文翻译为古代波斯诗歌。更具体地说，我们从头开始训练Transformer模型以获得初始翻译，并预训练BERT的不同变体以获得最终翻译。为了解决在诗意标准下使用掩蔽语言建模的挑战，我们将两个模型结合起来，并在自动和人工评估方面生成有效的诗歌。最后的结果证明了我们的小说诗歌辅助方法在文学专业人士和非专业人士中产生小说波斯诗歌的资格和创造力。
2022-09-21 cs.CL
The author is dead, but what if they never lived? A reception experiment on Czech AI- and human-authored poetry
Department of Linguistics（语言学系）；Institute of Czech and Deaf studies（捷克与聋人研究学院）；Department of Germanic and Nordic Studies（德语与北欧研究系）
本研究探讨了AI和人类创作捷克诗歌的可识别性及审美评价，发现AI生成的诗歌在捷克本地人中难以辨识，且受作者身份信念影响较大。
2025-11-26 cs.CL
Translating Classical Poetry into Modern Prose
University of Potsdam（波茨坦大学）；National Research Council（国家研究委员会）
本文介绍Padyam2Gadyam数据集，用于13-17世纪泰卢固语古典诗歌到当代泰卢固语和英语散文的翻译任务，并评估了5种大语言模型的表现，发现仍有较大改进空间。
2026-09-03 cs.CL
Characterizing Human-Likeness in AI Generated Poetry: A Zero-shot Classification Study
BRAC University（BRAC大学）
本研究提出零样本检测流水线，结合人类与AI诗歌数据集，推导影响诗歌分类及误分类的属性，为诗歌可区分性主张提供证据，同时减少训练需求并强化GenAI检测流水线。
2026-07-30 cs.CL
Chinese Poetry Generation with Planning based Neural Network
University of Science and Technology of China（中国科学技术大学）；Baidu Inc.（百度公司）
中文诗歌自动生成是自然语言处理中一个极具挑战性的课题。在本文中，我们提出了一种新的两阶段的诗歌生成方法，首先计划的子主题的诗歌，根据用户的写作意图，然后生成每一行的诗歌顺序，使用修改后的递归神经网络编码器-解码器框架。所提出的基于规划的方法可以确保生成的诗歌是连贯的，语义上与用户的意图一致。综合评价与人类的判断表明，我们提出的方法优于国家的最先进的诗歌生成方法和诗歌的质量在某种程度上与人类诗人。
2016-12-07 cs.AI cs.CL
Can Machine Generate Traditional Chinese Poetry? A Feigenbaum Test
Tsinghua University（清华大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Huilan Limited（汇兰有限公司）；Tsinghua National Lab for Information Science and Technology（清华大学信息科学技术国家实验室）
神经学习的最新进展表明，机器可以很好地完成规则化的任务，例如，围棋游戏然而，诗歌创作等艺术活动仍然被普遍认为是人类的特殊能力。在本文中，我们证明了一个简单的神经模型可以模仿人类的艺术生成的一些任务。我们特别关注中国传统诗歌，并表明机器可以做得和许多当代诗人一样好，并且可以通过费根鲍姆测试，这是图灵测试在专业领域的变体。我们的方法是基于一个基于注意力的递归神经网络，它接受一组关键字作为主题，并通过在生成过程中查看每个关键字来生成诗歌。提出了一系列的技术来改进模型，包括字符向量初始化，注意输入和混合式训练。与现有的诗歌生成方法相比，我们的模型可以生成更多的主题一致和语义丰富的诗歌。
2016-06-19 cs.CL
Introducing Aspects of Creativity in Automatic Poetry Generation
Drury University（杜鲁里大学）；UC-Colorado Springs（科罗拉多斯普林斯大学）
诗歌生成涉及教学系统自动生成类似诗歌作品的文本。深度学习系统可以通过在诗歌语料库上进行训练并对特定的语言风格进行建模来学习自己生成诗歌。在本文中，我们提出了一种方法，微调GPT-2，一个预先训练的语言模型，我们的下游任务的诗歌生成。我们通过引入创造性的元素来扩展先前关于诗歌生成的工作。具体地说，我们创作出表达情感并在读者中引起共鸣的诗歌，以及使用梦的语言的诗歌-被称为梦诗。我们能够创作出正确地引出悲伤和喜悦情绪的诗歌，分别占87.5%和85%。我们通过训练描述梦的文本语料库来产生梦幻般的诗歌。从这个模型的诗歌被证明捕捉梦想的诗歌的元素，得分不低于3.2的李克特量表。我们对所有的诗歌进行众包的人工评估。我们还使用Coh-Meetings工具，概述了我们用来衡量生成的文本质量的指标。
2020-02-06 cs.AI cs.CL cs.LG
Automatic Meter Classification of Kurdish Poems
University of Tehran（德黑兰大学）
库尔德文学中的大多数经典文本都是诗歌。掌握诗歌的格律有助于正确阅读，更好地理解诗歌的意义，避免歧义。本文提出了一种基于规则的中央库尔德语诗歌格律的自动分类方法。库尔德诗歌的格律系统分为定量诗、音节诗和自由诗三类。由于元音长度在语言中不是音位的，因此音节重量和韵律识别存在不确定性。所提出的方法产生所有可能的情况下，然后，通过考虑所有输入的诗和库尔德诗歌的常见米模式行，确定最可能的输入诗的米类型和模式。VejinBooks库尔德语语料库的数据集上的方法的评估导致97.3%的精度在米类型和96.2%的精度在模式识别。
2021-02-24 cs.CL
Poem Meter Classification of Recited Arabic Poetry: Integrating High-Resource Systems for a Low-Resource Task
King Fahd University of Petroleum and Minerals（法赫德石油和矿产大学）；SDAIA–KFUPM Joint Research Center for AI（SDAIA-KFUPM人工智能联合研究中心）
针对朗诵阿拉伯诗歌诗律识别这一低资源任务，本研究提出整合两个高资源系统的先进框架，解决其标注数据需求大的问题，并发布任务基准以保障架构泛化性。
2025-04-16 cs.AI cs.CL
Generating Chinese Poetry from Images via Concrete and Abstract Information
Sichuan University（四川大学）
近年来，中国古典诗词的自动生成取得了很大的进展。除了关注提高生成诗的质量外，从图像生成诗歌也是一个新的话题。然而，现有的方法仍然存在主题漂移和语义不一致的问题，并且在训练这些模型时难以建立图像-诗歌对数据集。在本文中，我们提取和整合图像中的具体和抽象信息，以解决这些问题。提出了一种基于嵌入的中文诗歌生成模型，该模型将具体关键词以显式方式嵌入到每一行诗歌中，并通过抽象信息嵌入将抽象信息整合到生成的诗歌中。此外，我们在训练过程中使用非并行数据，并构建单独的图像数据集和诗歌数据集来训练我们框架中的不同组件。自动和人工评价结果表明，我们的方法可以生成的诗歌有更好的一致性，而不会失去质量的图像。
2020-03-24 cs.CL cs.CV
POEMetric: The Last Stanza of Humanity
University of Birmingham（伯明翰大学）；University of Trento（特伦托大学）；Institute of Data and AI (IDAI)（数据与人工智能研究所）
本文提出POEMetric框架，评估诗歌生成能力，通过人类和LLM的对比发现，尽管顶级模型在形式准确性和主题匹配上表现优异，但整体诗歌质量仍逊于人类诗人。
2026-04-04 cs.CL
Generating Major Types of Chinese Classical Poetry in a Uniformed Framework
Tsinghua University（清华大学）；Institute for Artificial Intelligence, Tsinghua University（清华大学人工智能研究院）；State Key Lab on Intelligent Technology and Systems, Tsinghua University（清华大学智能技术与系统国家重点实验室）
诗歌生成是文本生成领域中一个有趣的研究课题。中国古典诗歌是中华民族最宝贵的文学文化遗产之一，为一代又一代中国人所熟悉和喜爱。它的语言结构从形、音到义都有其独特的特点，是文本生成的理想测试任务。在本文中，我们提出了一个基于GPT-2的统一框架，用于生成中国古典诗歌的主要类型。我们定义了一个统一的格式来制定所有类型的训练样本，通过整合详细的形式信息，然后提出了一个简单的形式强调加权方法在GPT-2中，以加强对形式的控制，特别是那些较长的身体长度的形式。初步实验结果表明，该模型能够生成形式和内容都具有较高质量的主要类型的中国古典诗歌，验证了该策略的有效性。该模型已被纳入清华大学开发的最具影响力的中国古典诗歌生成系统九歌（Guo et al.，2019年）。
2020-03-13 cs.CL
Image Inspired Poetry Generation in XiaoIce
Microsoft（微软）；National Taiwan University（台湾大学）；University of Montreal（蒙特利尔大学）
视觉是诗歌灵感的共同来源。人们从图像中感知到的对象和情感印记可能会导致不同的感受，这取决于读者。在本文中，我们提出了一个系统的诗歌生成从图像模仿的过程。给定一幅图像，我们首先提取几个关键字，代表从图像中感知到的对象和情感。这些关键词，然后扩展到相关的人写的诗歌中的协会的基础上。最后，使用在现有诗歌上训练的递归神经网络从关键词逐渐生成诗歌。我们的方法由人类评估员进行评估，并与其他代基线进行比较。结果表明，我们的方法可以生成比基线方法更艺术的诗歌。这是为数不多的从意象中产生诗歌的尝试之一。通过部署我们提出的方法，XiaoIce自2017年7月发布以来已经为用户生成了超过1200万首诗歌。它的一本诗集已由Cheers Publishing出版，该出版社声称这本书是人类历史上第一本由AI撰写的诗集。
2018-08-09 cs.AI cs.CL
Sonnet or Not, Bot? Poetry Evaluation for Large Models and Datasets
University of Washington（华盛顿大学）；University of Copenhagen（哥本哈根大学）
该研究开发任务评估LLMs识别英语诗歌形式的能力，发现模型能高准确率识别固定形式但难以识别非固定形式，并发布了基准数据集和代码。
2024-10-10 cs.CL
Who Wrote This Line? Evaluating the Detection of LLM-Generated Classical Chinese Poetry
College of Computer Science, Inner Mongolia University, China（内蒙古大学计算机学院，中国）；National & Local Joint Engineering Research Center of Intelligent Information Processing Technology for Mongolian, China（蒙古语智能信息处理技术国家与地方联合工程研究中心，中国）；NLP²CT Lab, Department of Computer and Information Science, University of Macau, China（澳门大学计算机与信息科学学院NLP²CT实验室，中国）
本文提出ChangAn基准，用于评估AI检测器对LLM生成的古典中文诗歌的检测能力，揭示现有工具的局限性。
2026-04-16 cs.CL
Seeing the Poem: Image-Semantic Detection of AI-Generated Modern Chinese Poetry with MLLMs
Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系）；University of Rochester（罗切斯特大学）；Sichuan University（四川大学）；Department of Portuguese, Faculty of Arts and Humanities, University of Macau（澳门大学人文学院葡萄牙语系）
本文提出了一种图像-语义引导的诗歌检测方法，通过整合图像内容与诗歌文本信息，提升大语言模型在检测现代汉语诗歌中的性能，实验结果表明该方法在多个数据集上均优于传统方法。
2026-05-21 cs.CL cs.CV
PoeLM: A Meter- and Rhyme-Controllable Language Model for Unsupervised Poetry Generation
HiTZ Center（HiTZ中心）；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））；Meta AI；University of Copenhagen（哥本哈根大学）
正式体诗对诗歌的格律和韵律有着严格的限制。大多数关于生成这种类型的诗歌的先前工作使用现有的诗歌进行监督，这对于大多数语言和诗歌形式来说是很难获得的。在这项工作中，我们提出了一种无监督的方法来生成诗歌，遵循任何给定的韵律和押韵方案，而不需要任何诗歌文本进行训练。我们的方法的工作原理是将一个常规的非诗歌语料库分成短语，前置控制代码，描述每个短语的长度和结束韵，并在增强的语料库中训练一个Transformer语言模型。在推理过程中，我们为所需的韵律和韵律方案构建控制代码，并根据它们来调节我们的语言模型，以生成正式的诗歌。在西班牙语和巴斯克语中的实验表明，我们的方法能够生成有效的诗歌，这些诗歌的质量通常与人类所写的诗歌相当。
2022-10-28 cs.AI cs.CL
Automated Evaluation of Meter and Rhyme in Russian Generative and Human-Authored Poetry
Ilya Koziev（独立研究者）
本文提出 Russian Poetry Scansion Tool 库以分析俄语诗歌重音、押韵和诗性缺陷，并发布带重音标注的 RIFMA 数据集，用于评估大语言模型及生成式诗歌系统。
2025-10-18 cs.CL
Semantic Change and Emerging Tropes In a Large Corpus of New High German Poetry
MPI for Empirical Aesthetics（马克斯·普朗克经验美学研究所）；University of Stuttgart（斯图加特大学）；Technical University of Darmstadt（达姆施塔特工业大学）
诗歌因其语义简洁、表达新颖而成为语义变化分析的重要实验平台。然而，到目前为止，大型历时语料库的匮乏。在这里，我们提供了一个大型的德语诗歌语料库，其中包括约75k首诗歌，超过1100万个标记，诗歌从16世纪到20世纪初。然后，我们跟踪语义变化，在这个语料库调查的兴起比喻（“爱是魔术”）随着时间的推移和检测变化点的意义，我们发现，特别是发生在德国浪漫主义时期。此外，通过自相似性，我们重建文学时期，并找到证据表明，线性语义变化的规律也适用于诗歌。
2019-09-26 cs.CL
MetricalARGS: A Taxonomy for Studying Metrical Poetry with LLMs
National Research Council, Canada（加拿大国家研究委员会）；University of Potsdam（波茨坦大学）
该研究提出首个面向格律诗的NLP任务分类体系MetricalARGS，从四个维度评估大语言模型的格律诗处理能力，并以泰卢固语为例演示其应用，为探究LLMs的能力边界提供新视角。
2025-10-09 cs.CL
Detecting Spelling and Grammatical Anomalies in Russian Poetry Texts
SalutDevices
本文针对俄语诗歌生成中训练文本质量低的问题，提出用自动化语言异常检测过滤低质量数据，比较了无监督与有监督方法，并发布人工标注的RUPOR数据集及评估代码。
2025-05-07 cs.CL
Does ChatGPT Have a Poetic Style?
University of Washington（华盛顿大学）
本研究通过让GPT-3.5和GPT-4生成多形式多主题的英文诗歌并与人类诗歌对比，发现其虽能生成符合表层形式要求的诗歌，但存在明显同质化风格倾向，约束性强于人类诗歌。
2024-10-30 cs.CL
Shaer: Controlled Arabic Poetry Generation with Meter Subform and Semantic Conditioning
American University of Beirut（贝鲁特美国大学）
Shaer提出受控古典阿拉伯诗歌生成框架，联合语义、格律子形式和长度条件，基于增强语料微调Yehia-7B，显著提升格律与长度控制精度。
2026-10-08 cs.CL
Benchmarking the Detection of LLMs-Generated Modern Chinese Poetry
NLP 2 CT Lab, Department of Computer and Information Science, University of Macau（计算机与信息科学系，澳门大学）；Department of Portuguese, Faculty of Arts and Humanities, University of Macau（文学与人文学院，澳门大学）
针对AI生成中国现代诗歌难检测、扰乱诗歌生态的问题，本文构建含专业诗人作品与主流LLM生成作品的高质量数据集，提出新型检测基准，经多检测器评估发现现有工具检测可靠性不足，为后续研究奠基。
2025-09-01 cs.AI cs.CL
so much depends / upon / a whitespace: Why Whitespace Matters for Poets and LLMs
University of Washington（华盛顿大学）；University of Colorado Boulder（科罗拉多大学 Boulder分校）
本文研究了空白符在诗歌中的作用，分析了1.9万首已发表诗歌、5.1万首LLM生成诗歌及1.2万首未发表诗歌的空白符使用差异，并探讨了不同文本处理方法对LLM预训练数据集组装策略的影响。
2025-10-19 cs.CL
Urdu Poetry Generated by Using Deep Learning Techniques
University of Management and Technology（管理与技术大学）
本文基于 Rekhta 的1341个混合乌尔都语诗歌文件，采用 LSTM 与 GRU 模型在完整数据上训练，生成纯乌尔都语而非罗马乌尔都语诗歌，并取得良好准确率。
2023-09-25 cs.CL cs.LG
Flexible and Creative Chinese Poetry Generation Using Neural Memory
Tsinghua University（清华大学）；Peking University（北京大学）；Huilan Limited（慧联（北京）有限公司）；Beijing University of Posts and Telecommunications（北京邮电大学）
研究表明，序列到序列神经模型可以成功地生成中文诗歌，特别是在注意力机制的作用下。然而，这种方法的一个潜在问题是，神经模型只能学习抽象的规则，而诗歌生成是一个高度创造性的过程，不仅涉及规则，还涉及纯统计模型原则上不适用的创新。本文提出了一种用于中文诗歌生成的记忆增强神经模型，其中神经模型和增强记忆一起工作，以平衡语言一致性和美学创新的要求，从而产生仍然符合规则的创新一代。此外，还发现记忆机制提供了有趣的灵活性，可用于生成不同风格的诗歌。
2017-05-10 cs.AI cs.CL
Crossing Borders: A Multimodal Challenge for Indian Poetry Translation and Image Generation
Indian Institute of Technology Patna（印度理工学院巴特那分校）；Adobe Research（Adobe 研究院）
针对印度语言诗歌翻译与理解资源匮乏的问题，本文提出融合LLM与潜在扩散模型的TAI多模态框架，构建MorphoVerse数据集，实验验证其图像生成性能优于基线，可提升印度诗歌全球可及性。
2025-11-18 cs.CL cs.CV
Chinese Poetry Generation with a Salient-Clue Mechanism
Tsinghua University（清华大学）；ESTATES PTE LTD（6ESTATES私人有限公司）；Capital Normal University（首都师范大学）
中国诗歌作为人类文化遗产的宝贵组成部分，影响了一代又一代人。自动写诗对AI来说是一个挑战。近年来，得益于神经网络的发展，这一领域取得了重大进展。然而，作为一个整体，一首生成的诗歌在意义、主题甚至意境上的连贯性仍然是一个大问题。在本文中，我们提出了一个新的显着线索机制，中文诗歌生成。不同于以往的工作，试图利用所有的上下文信息，我们的模型自动选择最显着的字符从每一个迄今为止生成的行，逐步形成一个显着的线索，这是用来指导后续的诗歌生成过程，以消除中断，提高连贯性。此外，我们的模型可以灵活地扩展，以控制生成的诗歌在不同的方面，如诗歌风格，这进一步提高了连贯性。实验结果表明，我们的模型是非常有效的，优于三个强基线。
2018-09-12 cs.AI cs.CL
Metrical Tagging in the Wild: Building and Annotating Poetry Corpora with Rhythmic Features
Max Planck Institute for Empirical Aesthetics（马克斯·普朗克经验美学研究所）；University of Stuttgart（斯图加特大学）
文学计算研究的先决条件是适当数字化文本的可用性，理想情况下具有可靠的元数据和地面实况注释。诗歌语料库确实存在于许多语言中，但较大的集合缺乏一致性，并以各种标准编码，而注释语料库通常限于特定的体裁和/或被设计用于分析某些语言特征（如押韵）。在这项工作中，我们提供了大型诗歌语料库的英语和德语，并在较小的语料库中注释韵律功能，以训练语料库驱动的神经模型，使强大的大规模分析。我们发现，具有音节嵌入的BiLSTM-CRF模型优于CRF基线和不同的基于BERT的方法。在多任务设置中，特定的有益任务关系说明了诗意特征的相互依赖性。当联合预测音节重音时，模型可以更好地学习音步边界，美学情感和诗歌措施相互受益，我们发现，停顿非常依赖于句法，也是塑造线条整体措施的组成部分。
2021-04-21 cs.CL
SP-GPT2: Semantics Improvement in Vietnamese Poetry Generation
National Economics University（国民经济大学）；The University of Tokyo（东京大学）；Hanoi University of Science and Technology（河内科技大学）
近年来，自动文本生成作为计算机创造力的重要一步越来越受到关注。生成式预训练Transformer 2（GPT 2）是最先进的方法之一，取得了很大的成功。在本文中，我们采取了第一步，以调查GPT 2在越南传统诗歌生成的力量。在早期，我们使用基本GPT 2的实验在正确的模板中生成诗歌方面做得很好。虽然它可以从训练数据中学习模式，包括押韵和音调规则，但与几乎所有其他文本生成方法一样，生成的诗歌仍然存在主题漂移和语义不一致。为了提高诗歌内部的衔接，我们提出了一个新的模型SP-GPT 2（语义诗GPT 2），它是建立在顶部的GPT 2模型和一个额外的损失，以约束整个诗歌的上下文。为了更好的评价，我们研究了自动定量评价和人工评价的方法。自动和人工评估都表明，我们的方法可以生成具有更好的内聚性的诗歌，而不会由于额外的损失而失去质量。同时，我们也是这一课题的先行者。我们发布了第一个计算评分模块，用于在包含风格规则字典的模板中生成的诗歌。此外，我们还率先发布了Luc-Bat数据集，其中包括87609首Luc Bat诗歌，相当于约260万个句子，另外还发布了约83579首其他风格的诗歌，以供进一步探索。代码可在https://github.com/fsoft-ailab/Poem-Generator上获得
2021-10-10 cs.AI cs.CL cs.LG
Understanding Literary Texts by LLMs: A Case Study of Ancient Chinese Poetry
ByteDance Inc.（字节跳动公司）
针对AI文学创作质量提升难、权威数据缺、评价难量化的问题，本文以中国古典诗歌为对象，基于大语言模型设计理解指标分析诗歌集合的关联与差异，为高水平AI文学创作提供技术支持。
2024-09-11 cs.CL
MixPoet: Diverse Poetry Generation via Learning Controllable Mixed Latent Space
Tsinghua University（清华大学）；ESTATES PTE LTD（6ESTATES PTE LTD）；Beijing University of Posts and Telecommunications（北京邮电大学）；Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）；Institute for Artificial Intelligence, Tsinghua University（清华大学人工智能研究院）；State Key Lab on Intelligent Technology and Systems, Tsinghua University（智能技术与系统国家重点实验室）
诗歌自动生成作为实现计算机创造力的重要一步，近年来受到越来越多的关注。虽然近年来神经网络模型在诗歌质量评价方面取得了显著进展，但生成的诗歌仍然存在多样性差的问题。相关文献研究表明，不同的人生经历、历史背景等因素，影响了诗人的创作风格，这在很大程度上促成了人类创作诗歌的高度多样性。受此启发，我们提出了MixPoet，这是一种吸收多种因素以创造各种风格并促进多样性的新颖模型。基于半监督变分自编码器，我们的模型将潜在空间分解为一些子空间，每个子空间通过对抗训练以一个影响因素为条件。通过这种方式，模型学习一个可控的潜在变量来捕获和混合广义因子相关属性。不同因素的混合导致了不同的风格，从而进一步区分了生成诗。中文诗歌的实验结果表明，MixPoet提高了多样性和质量比三个国家的最先进的模型。
2020-03-13 cs.CL
Generating Thematic Chinese Poetry using Conditional Variational Autoencoders with Hybrid Decoders
计算机诗歌生成是我们走向计算机写作的第一步。写作必须有主题。目前的方法使用序列到序列模型与注意往往产生非主题诗。我们提出了一种新的条件变分自编码器的混合解码器添加到一般的递归神经网络的反卷积神经网络充分学习主题信息通过潜变量。这种方法通过不仅以上下文敏感的方式而且以与给定关键字和所学主题高度相关的整体方式表示诗歌的每一行来显着提高所生成的诗歌的相关性。提出的增强word2vec模型进一步提高了韵律和对称性。测试结果表明，我们的方法生成的诗歌大多数是令人满意的规则和一致的主题，其中73.42%的人得到的总分不低于3（最高分为5）。
2020-03-05 cs.AI cs.CL cs.LG
Pingala: Prosody-Aware Decoding for Sanskrit Poetry Generation
本文提出PINGALA解码方法，通过将诗歌分段提升语义连贯性10%，并利用SLP1转写提高音律对齐46%，同时引入参考无关评估方法。
2026-08-05 cs.CL
GPT-based Generation for Classical Chinese Poetry
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出了一种简单有效的基于生成预训练语言模型（GPT）的汉语古诗生成方法。该方法采用简单的GPT模型，不使用任何人工规则或特征，也不设计任何额外的神经组件。虽然所提出的模型学习生成各种形式的中国古典诗歌，包括绝句、律诗、各种词牌和情侣，但生成的诗歌质量非常高。我们还提出并实现了一种方法来微调模型生成离合诗。据我们所知，这是第一个使用GPT开发诗歌生成系统的。我们在微信上发布了一个在线小型演示程序，以展示所提出的方法对中国古典诗歌的生成能力。
2019-09-05 cs.AI cs.CL
Vietnamese Poem Generation & The Prospect Of Cross-Language Poem-To-Poem Translation
FPT University（FPT大学）
本文提出使用大型语言模型根据自然语言提示生成多种体裁的越南语诗歌，GPT-3 Babbage变体在“luc bat”体裁评估中得分0.8，并探索了诗歌改写为文本提示的方法，为跨语言诗对诗翻译提供了潜力。
2024-01-04 cs.AI cs.CL
Deep Poetry: A Chinese Classical Poetry Generation System
Sichuan University（四川大学）
在这项工作中，我们展示了一个中国古典诗歌生成系统称为深诗。现有的中国古典诗词生成系统大多是基于模板的，很少有系统能够接受多模态输入。与以前的系统不同，Deep Poetry使用了神经网络，这些网络是在超过20万首诗歌和300万篇中国古代散文的基础上训练的。我们的系统可以接受纯文本、图像或意境作为输入来生成中国古典诗歌。更重要的是，我们的系统允许用户参与写诗的过程。为了方便用户，我们将系统部署在微信小程序平台上，用户可以随时随地在移动终端上使用系统。本文的演示视频可在https://youtu.be/jD1R_u9TA3M上获得。
2019-11-19 cs.CL
A Method to Judge the Style of Classical Poetry Based on Pre-trained Model
Lanzhou University（兰州大学）；Shandong University School of Literature（山东大学文学院）
中国古典诗歌研究领域的一个重要课题是对诗歌风格的分析。通过对历代相关作品的考察，研究者对一种诗体的判断，大多以主观感受为依据，并参考前人的评价，形成一定的结论。虽然这种判断方法往往是有效的，但也可能存在一些错误。本文构建了目前最为完善的中国古典诗歌数据集，在此数据集上训练了一个BART-poem预训练模型，并基于此BART-poem模型提出了一种普遍适用的诗歌风格判断方法，创新性地将深度学习引入计算文体学领域，为古典诗歌研究提供了一种新的研究方法。本文试图用这一方法来解决唐宋诗歌风格识别的问题，并以被认为具有较为明确、一致的诗歌风格的鸿正七子、嘉靖七子、江西诗派、同光诗派等诗歌流派为研究对象，取其代表诗人的诗歌进行检验。实验表明，该模型对被测诗歌作品的判断结果与历代批评家给出的结论基本一致，验证了钱钟书先生的一些前卫判断，较好地解决了唐宋诗歌风格识别的任务。
2022-11-09 cs.AI cs.CL
GPoeT-2: A GPT-2 Based Poem Generator
Carnegie Mellon University（卡内基梅隆大学）
该项目旨在制作下一卷机器生成的诗歌，这是一种复杂的艺术形式，可以是结构化和非结构化的，并在字里行间传达深度。GPoeT-2基于微调最先进的自然语言模型（即GPT-2）来生成打油诗，通常是由五行组成的幽默结构诗，具有AABBA押韵方案。GPoeT-2采用正向和反向语言建模的两阶段生成系统，能够自由生成不同主题的打油诗，同时遵循押韵结构，没有任何种子短语或后验约束。基于自动生成过程，我们探索了各种各样的评估指标来量化“好诗”，包括句法正确性，词汇多样性和主题连续性。最后，我们提出了一个收集94分类打油诗的高度探索“好诗”的指标，以激发人类的创造力。
2022-05-18 cs.AI cs.CL
Chinese Traditional Poetry Generating System Based on Deep Learning
中国传统诗歌是我国重要的非物质文化遗产，是思想、文化、精神、情感的艺术载体。但由于古代诗歌的严格规定，用机器写诗是很困难的。本文提出了一种基于深度学习技术的中国传统诗歌自动生成方法，从每首诗中提取关键词，并与前一段文本进行匹配，使诗歌符合主题，当用户输入一段文本时，机器获得主题并逐句生成诗歌。采用经典的word 2 vec模型作为预处理模型，将计算机无法理解的汉字转化为矩阵进行处理。采用双向长短期记忆作为神经网络模型，逐个生成汉字，使汉字的词义尽可能准确。同时，使用TF-IDF和TextRank来提取关键字。利用基于注意力机制的编解码模型，可以通过对模型的改造来解决实际问题，并对远距离信息的重要信息进行强化，做到抓住重点而不丢失重要信息。在情绪判断方面，采用了长短期记忆网络。实验结果表明，该方法能够根据用户输入的文本得到较好的诗歌输出。
2021-10-24 cs.AI cs.CL
An Iterative Polishing Framework based on Quality Aware Masked Language Model for Chinese Poetry Generation
Ping An Technology（平安科技）；Ping An Insurance (Group) Company of China（中国平安保险（集团）股份有限公司）；University of Science and Technology of China（中国科学技术大学）
由于汉语诗歌独特的文学和美学特征，汉语诗歌的自动生成仍然是人工智能领域的一个挑战，很难通过端到端的方法直接实现。在本文中，我们提出了一个新的迭代抛光框架，高质量的中文诗歌生成。在第一阶段中，编码器-解码器结构用于生成诗歌草稿。之后，我们提出的质量感知的掩蔽语言模型（QAMLM）是用来抛光草案向更高的质量，在语言学和文字。基于多任务学习方案，QA-MLM能够根据诗歌草稿确定是否需要抛光。此外，QAMLM能够定位诗歌草稿中不合适的字符，并相应地用新预测的字符替换。QAMLM算法利用掩码语言模型的结构，将全局上下文信息引入到抛光过程中，可以得到比单向顺序解码更合适的抛光结果。而且，当QA-MLM认为经过处理的诗歌是合格的诗歌时，迭代抛光过程将自动终止。人工和自动评估已经进行，结果表明，我们的方法是有效的，以提高性能的编码器-解码器结构。
2019-11-29 cs.AI cs.CL
Artificial Intelligence for Sentiment Analysis of Persian Poetry
本研究利用BERT和GPT模型分析波斯诗人鲁米和巴尔文·埃特萨米的诗歌，发现鲁米的诗歌情感更积极，且在格律表达多样性上更胜一筹，证明了LLMs在无需人工解释的语义研究中的有效性。
2026-03-11 cs.AI cs.CL
Diachronic Topics in New High German Poetry
Max Planck Institute for Empirical Aesthetics（马克斯·普朗克经验美学研究所）；University of Stuttgart（斯图加特大学）
数字人文学者越来越多地使用统计主题模型来执行文学数据的远程阅读任务。它使我们能够估计人们谈论的内容。特别是潜在狄利克雷分配（LDA）已经显示出它的有用性，因为它是无监督的，鲁棒的，易于使用的，可扩展的，它提供了可解释的结果。在初步研究中，我们将LDA应用于新高地德语诗歌语料库（textgrid，51k诗歌，8m令牌），并使用主题在文档中的分布将诗歌分类为时间段和作者归属。
2019-09-24 cs.CL cs.IR
Poller: Are LLMs Suitable for Evaluating the Poetry Understanding Task?
NLP；CT Lab, Department of Computer and Information Science, University of Macau（计算机与信息科学系，澳门大学CT实验室）；Department of Portuguese, Faculty of Arts and Humanities, University of Macau（人文学院葡萄牙语系，澳门大学）
提出Poller方法，让LLM扮演诗人角色模拟人类评价，在八个维度上评估诗歌理解，相比基线方法将修辞技巧和陌生化评价误差分别降低94.55%和89.53%。
2026-06-29 cs.CL
Artificial Intelligence versus Maya Angelou: Experimental evidence that people cannot differentiate AI-generated from human-written poetry
University of Amsterdam（阿姆斯特丹大学）；Max Planck Institute for Human Development（马克斯·普朗克人类发展研究所）
公开可用的、健壮的自然语言生成算法（NLG）的发布引起了公众的广泛关注和争论。原因之一在于这些算法据称能够在各个领域生成类似人类的文本。缺乏使用激励任务来评估人们（a）是否能够区分和（b）是否更喜欢算法生成的文本与人类书写的文本的经验证据。我们进行了两个实验，评估对最先进的自然语言生成算法GPT-2（Ntotal = 830）的行为反应。使用人类诗歌的相同起始行，GPT-2产生了诗歌样本。从这些样本中，要么随机选择一首诗（Human-out-of-the-loop），要么选择最好的一首诗（Human-in-the-loop），然后与人类写的诗进行匹配。在一个新的激励版本的图灵测试中，参与者未能在人在环治疗中可靠地检测到算法生成的诗歌，但在人在环治疗中成功。此外，人们对算法生成的诗歌表现出轻微的厌恶，这与参与者是否被告知诗歌的算法起源（透明度）或不透明度无关。我们讨论了这些结果传达的NLG算法的性能，以产生类似人类的文本，并提出方法来研究这种学习算法在人类代理实验设置。
2020-09-08 cs.AI cs.CL econ.GN
Generate and Revise: Reinforcement Learning in Neural Poetry
University of Florence（佛罗伦萨大学）；University of Siena（锡耶纳大学）
作家、诗人、歌唱家通常不会一口气创作出他们的作品。为了更好地传达作者想要表达的意义、情感和感受，文本被重新审视、调整、修改、重新措辞，甚至多次。在高贵的书面艺术中，诗歌可能是最需要精心制作的艺术，因为它必须正式尊重预定义的韵律和押韵方案。在本文中，我们提出了一个框架，以产生诗歌，反复重温和纠正，因为人类做的，以提高他们的整体质量。我们在强化学习的背景下，特别是使用近端策略优化来构建修改诗歌的问题。我们的模型从头开始生成诗歌，并学习逐步调整生成的文本以匹配目标标准。我们评估这种方法的情况下，匹配的押韵方案，没有任何信息的话负责创建押韵，以及如何连贯地改变诗歌的话。建议的框架是通用的，并与适当的奖励塑造，它可以应用到其他文本生成问题。
2021-02-08 cs.AI cs.CL cs.LG
Let's FACE it. Finnish Poetry Generation with Aesthetics and Framing
University of Helsinki（赫尔辛基大学）
我们提出了一个创造性的诗歌生成器的形态丰富的芬兰语。我们的方法属于师徒范式，其中一个计算创造性的遗传算法教BRNN模型生成诗歌。我们在遗传算法的适应度函数中对诗歌美学的几个部分进行了建模，如语音特征、语义连贯、意象和隐喻。此外，我们证明了我们的方法的创造性的基础上的FACE理论计算的创造性，并采取额外的照顾，在评估我们的系统的自动指标的概念与人类的评价美学，框架和表达。
2019-10-30 cs.CL
Modern French Poetry Generation with RoBERTa and GPT-2
University of Helsinki（赫尔辛基大学）；École Normale Supérieure-PSL（巴黎高等师范学院-PSL大学）；CNRS（法国国家科学研究中心）；Université Sorbonne nouvelle（新索邦大学）
我们提出了一个新的神经模型，在法国现代诗歌生成。该模型由两个预训练的神经模型组成，这些模型针对诗歌生成任务进行了微调。该模型的编码器是基于RoBERTa的，而解码器是基于GPT-2的。通过这种方式，该模型可以受益于RoBERTa优越的自然语言理解性能和GPT-2良好的自然语言生成性能。我们的评估表明，该模型可以成功地创造法国诗歌。在5分制上，人类裁判对输出诗歌的典型性和情感性给出了3.57的最低分，而对可理解性给出了3.79的最高分。
2022-12-06 cs.CL
Augmenting Poetry Composition with Verse by Verse
Google Research（谷歌研究院）
我们通过诗歌描述了诗歌，我们的实验是用人工智能来增强写诗的创造性过程。我们已经创建了一组AI诗人，以各种美国经典诗人的风格为蓝本，能够在用户创作诗歌时提供生成的诗句作为建议。在本文中，我们描述了底层系统提供这些建议。这包括一个生成模型，它的任务是离线生成一个大型的诗句语料库，然后将其存储在索引中，以及一个双编码器模型，它的任务是从我们的索引中推荐下一个可能的诗句集。
2022-05-11 cs.CL
There Once Was a Really Bad Poet, It Was Automated but You Didn't Know It
Duke University（杜克大学）
利默里克一代体现了诗歌一代面临的一些最困难的挑战，因为诗歌必须只用五行来讲述一个故事，并且对押韵、重读和韵律有限制。为了解决这些挑战，我们引入LimGen，一种新颖的，完全自动化的打油诗生成系统，其性能优于最先进的基于神经网络的诗歌模型，以及先前的基于规则的诗歌模型。LimGen由三个重要部分组成：自适应多模板约束算法，它将我们的搜索限制在现实诗歌的空间，多模板束搜索算法，它可以有效地搜索整个空间，以及概率故事情节算法，它可以提供与用户提供的提示词相关的连贯故事情节。由此产生的打油诗满足诗意的限制，并有主题连贯的故事情节，这有时甚至是有趣的（当我们幸运）。
2021-03-05 cs.CL
Detecting and Guiding LLM-Generated Korean Poetry with Interpretable Form-level Features
Chung-Ang University（中央大学）
该研究提出五个可解释的韩语诗歌形式级特征，构建的逻辑回归分类器检测LLM生成韩语诗歌的AUC达83.60，且该特征可引导LLM生成更符合人类形式的诗歌。
2026-09-01 cs.CL
A Comparison of Feature-Based and Neural Scansion of Poetry
University of Colorado（科罗拉多大学）；Univ. of the Basque Country (UPV/EHU)（巴斯克大学）
诗歌韵律的自动分析是一个涉及语言学、文学和计算机科学的具有挑战性的课题。当要分析的语言已知时，可以使用基于规则的系统或数据驱动的方法。本文分析了英语和西班牙语中的诗歌节奏。我们表明，从基于字符的神经模型中学习到的数据表示比手工制作的特征信息量更大，并且Bi-LSTM+ CRF模型在两种语言的诗歌扫描上具有最先进的准确性。结果还表明，整个词的结构，而不仅仅是独立的音节的信息，是执行扫描的高度信息。
2017-11-02 cs.CL
PoeticTTS -- Controllable Poetry Reading for Literary Studies
Institute for Natural Language Processing (IMS), University of Stuttgart（斯图加特大学自然语言处理研究所（IMS））；Institute of Literary Studies (ILS), University of Stuttgart（斯图加特大学文学研究所（ILS））；German Literature Archive (DLA)（德国文学档案馆（DLA））
由于诗歌语音固有的特定语调模式，诗歌的语音合成具有挑战性。在这项工作中，我们提出了一种方法来合成诗歌与几乎人类一样的自然性，以使文学学者系统地研究文本之间的相互作用，口语实现，和听众的感知诗歌的假设。为了满足这些特殊的要求，文学研究，我们重新合成诗歌克隆韵律值从人类参考背诵，然后利用细粒度的韵律控制来操纵合成语音在一个人的循环设置，以改变背诵w.r.t.具体现象。我们发现，微调我们的TTS模型的诗歌捕捉诗歌的语调模式在很大程度上是有益的韵律克隆和操纵，并验证了我们的方法在客观评价以及在人类研究的成功。
2022-10-18 cs.CL cs.LG cs.SD
