本文提出了一种计算模型，通过分析角色猜测的心理状态和句法和语义层面的语言信息，自动检测叙述结构的主要元素。通过使用预先训练的社交常识知识模型获取主角的心理状态信息，并使用多功能融合方法将其与语境语义嵌入相结合，我们建立了一个包含手动注释的 STORIES 数据集的计算模型来实现这一任务，并在评估中发现我们的模型能够实现极显著的改进来识别高潮和结局。

Feb, 2023

本研究探索了一种新型的粗粒度到细粒度的模型，可以生成故事文本，并通过抽象行为和实体来分解故事，生成谓词 - 参数结构的文本，最终替换实体占位符。经过广泛的分析和人工评估，我们的方法可以提高生成的故事中事件和实体的多样性和连贯性。

Feb, 2019

本研究介绍了一种名为 NEAT 的新型 NLP 任务，针对新闻等信息文本，基于 Labov 和 Waletzky 的叙事理论设计了一种新的多标签叙事注释方案，标注了从多种类别域收集的 46 篇新闻文章中的 2,209 句子，并训练了多个监督模型进行不同设置的分类，成功地识别了不同的叙事元素，并达到了高达 0.77 的 F1 分数，表明该研究具有很好的全面性及对域类别的鲁棒性。

Oct, 2022

本文介绍了一种将 Scheherazade 故事意图图转换成人物 NLG 引擎所需输入的自动方法，使用 36 个 Aesop 寓言进行测试，结果表明我们可以生成正确内容，平均与 Scheherazade 实现器的输出接近。

Aug, 2017

本文研究关系人物之间的情感极性特征，并提出结构化预测和聚类方法来解决该问题，在语言和语义特征的基础上，通过社交网络结构来提高模型性能。作者在维基百科电影概要数据集上验证了模型的优越性。

Dec, 2015

通过使用具有高质量内容规划和根据亚里士多德诗学详细描述的优秀剧情编写方面的集合进行语言模型的情节生成，可以解决故事生成的问题，并发现经过良好规划的情节结构的故事比不具备内容规划或者使用不合适的规划方式的基准更加相关和高品质。

Sep, 2020

本研究针对长篇叙述性文章提出了一种基于叙述结构的提取式摘要模型。通过将叙述结构转化为关键节点，导入非监督和监督提取式摘要模型，实验结果表明，潜在节点与 CSI 剧集的重要方面相关，并通过提高提取式算法的完整性和多样性改善了摘要性能。

Apr, 2020

我们的文章主要调查了人类与情感之间的关系，包括娱乐、广告和教育等多种方面，并介绍了专业讲故事者所使用的创作技巧，旨在进一步促进计算故事研究与人类创造性写作之间的新交叉领域。

May, 2022

本研究提出了使用社交媒体点赞数作为故事质量评估的一种方法，并利用神经网络来预测没有社交网络特征的点赞数，为未来的研究提供了强有力的基准。这也是关于叙述质量自动评估的首个大规模研究。

Jul, 2017

通过引入个人叙述语料库并使用 Labov 的社会语言学模型及机器学习方法进行标注，文章探讨了人们比较故事时依赖于行动和评价这两个方面，以此为基础帮助机器学习研究或表现个人叙述的方法。

May, 2020