研究了不同写作任务背景下文本的风格特征及其对于分类器的影响。通过简单的线性分类器结合风格特征与语言模型，达到了state of the art的成果。
Feb, 2017
本文通过采用基于skip-thought嵌入的全用户反馈前馈网络，对Story Cloze Test进行研究，发现忽略训练集，只对验证集进行训练可以获得更高的准确度，而仅考虑提示的最后一句话而非整个提示，利用我们的方法能够获得更高的准确度，从而达到近乎最优的性能。
Mar, 2018
提出了一种新颖的方法，使用外部神经记忆链跟踪不同的语义方面，每个链条专注于特定的语义方面，以实现对叙述的深层语义理解，该方法在故事结尾预测任务上表现优异，超过了一系列竞争基线，并创造了新的最先进成果。
May, 2018
本文提出了一种使用子词而非字符的词嵌入增强方法，以增强阅读理解模型。 在不同的扩充策略下，该方法在公共数据集上显着优于现有的基线模型。
Jun, 2018
本文提出一种神经模型，通过整合叙事顺序、情感演变和背景常识等三种信息，有效提高了对 ROCStory Cloze 任务的预测准确率。
Nov, 2018
本文将自然语言理解，逻辑信息和NLI任务与Story Cloze Test融合，通过提取课程中的逻辑信息来提高整个Story的理解。
Dec, 2018
提出了一种用于预测故事结尾的神经网络，名为Diff-Net，能够在三个语义层面上对两种结尾进行区分，并在Story Cloze Test数据集上获得了显著的性能提升，这将有助于未来的相关研究。
Dec, 2019
SCDE是一个人类创造的句子填空数据集，旨在通过句子预测评估计算模型的性能，实验结果表明这项任务需要使用上下文内容，并且存在显著的性能差距。
Apr, 2020
本文提出了一种基于句子水平的语言模型，该模型从一组流畅的句子备选项中选择故事中的下一句。通过将上下文编码为句子嵌入，比传统基于单词的方法更高效，并取得了在无监督下的Story Cloze任务和大规模下一句预测任务中的最新成果。
May, 2020
该论文提出了一种基于对比学习的故事结尾生成框架 CLSEG，其采用多方面采样机制和特定于故事的对比训练策略来解决故事结尾与故事情节之间的一致性问题。实验证明，CLSEG 相对于基线方法表现更好，能够产生更具一致性和合理性的故事结尾。
Feb, 2022