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

研究角色是计算上表示和解释叙述性文本的关键，本文通过提出一个半监督框架来从全面和部分标记的数据中学习动态发展的角色关系，使用 Markovian 模型来积累历史信仰，结合语言和语义功能特征来研究叙述的文本内容，实验证明此框架优于基准模型。

Nov, 2015

通过 Amazon Mechanical Turk，我们提供了一个手动注释的关系数据集，用于支持文学作品中关系类型预测的自动方法的训练和评估，以及更广泛的文学角色计算分析。我们在 109 个文本上征求来自工人的注释，涵盖从荷马的《伊利亚特》到乔伊斯的《尤利西斯》的范围，收集这些文本中字符之间关系的粗类别、细类别和亲密度，以及这些关系是否会在文本的过程中发生更改。

Dec, 2015

本文提出了神经网络来学习和联合预测人物之间的互动关系及其涉及的角色，利用视觉和对话提示，通过多模态架构从中提取有意义的信息，并在 MovieGraphs 数据集上进行评估。

Mar, 2020

分析非言语传达情感的方法，发现人类写作的小说可以通过多种非言语渠道传递角色情感，建议自动故事讲述系统在生成角色情感描述时应考虑情感的可变性。

Jun, 2019

本研究结合自然语言处理、机器学习、社交网络分析与网络科学等视角，运用图神经网络分析了 J.R.R. Tolkien 的作品中人物关系网络，并发现这种分析方法对分析和可视化 Tolkien 文学作品的叙述风格有显著帮助，并且在角色分类、嵌入和共现预测等方面，图神经网络优于其他常见的词嵌入方法。该研究突出了图学习在计算文学研究中的潜在大有用途。

Oct, 2022

使用大数据分析的方法，利用计算能力，自然语言处理和数字化文本处理，对文化演变进行研究，对一部分 Project Gutenberg 文本集中的 1327 个故事进行情感弧分类，发现六种情感弧，是构成复杂情感轨迹的基本构建模块之一，并可以通过矩阵分解、监督学习和无监督学习进行加强，发现有些情感弧在今天的出版物中更受欢迎，由下载数量衡量。

Jun, 2016

利用角色互动图和自然语言处理派生的特征，对当代文学作品进行社会调查和信息检索。从文学作品构建角色互动图，提取相关图特征，并利用这些特征解决各种现实生活问题。实验评估表明，角色互动图在文学作品的特定评估和信息检索方面具有高度有效性。

Oct, 2023

小说情感轨迹的计算分析很少考虑不同角色之间的情感变化，而我们的研究使用角色对话来区分叙述和不同角色的情感轨迹，并发现小说中的情感轨迹通过叙述和对话表达的不同情感更能准确地捕捉故事的共性或差异。

Mar, 2024

该论文介绍了一项关于人际关系建模的任务，提出了一种基于关系选择器和故事继续器两个主要组成部分的故事生成算法 ReLiSt，在自动和人工评估中展示出了其生成的故事能够更加忠实于期望的关系而不影响内容质量，推断过程中的关系分配带来了 ReLiSt 的可解释性。

Nov, 2022