لقد حققت الشبكات التوليدية التنافسية (GANs) نجاحًا كبيرًا في توليد صور واقعية. ومع ذلك، لا يزال توليد النصوص يظل مهمة صعبة بالنسبة للهياكل الحديثة للـ GANs. في هذا العمل، نقترح RelGAN، وهي هيكل جديد للـ GANs مخصص لتوليد النصوص، يتكون من ثلاث مكونات رئيسية: مُولِّد مبني على الذاكرة العلاقاتية لنمذجة الاعتماديات على المدى الطويل، وتطبيق تخفيف Gumbel-Softmax لتدريب الـ GANs على البيانات المنفصلة، بالإضافة إلى تمثيلات متعددة مُدمجة في المُميّز (discriminator) لتوفير إشارة أكثر إفادة لتحديثات المُولِّد. تُظهر تجاربنا أن RelGAN تتفوق على النماذج الحالية الأفضل في مجال جودة العينات وتنوعها، كما كشفت دراسات التحليل التجريبي (ablation studies) أن كل مكوّن من مكونات RelGAN يسهم بشكل حاسم في تحسين الأداء. علاوة على ذلك، يتميّز منهجنا بميزة رئيسية تتميّز بها عن غيرها من الـ GANs، وهي القدرة على التحكم في التوازن بين جودة العينات وتنوعها من خلال استخدام معلمة قابلة للتعديل فقط. وأخيرًا، يُعدّ RelGAN أول هيكل يُسهم في نجاح تطبيق تخفيف Gumbel-Softmax ضمن الـ GANs لتوظيفها في توليد نصوص واقعية.