本文提出了一种基于潜在变量模型的神经故事生成方法，采用外部摘要模型指导该方法从训练数据中学习生成具有可解释高级情节的概述，并在自动和人类评估中取得了显著的改进。

Dec, 2019

提出了一种新方法 ScratchPlot，使用 Pre-trained language models，利用 content planning 生成故事情节，并使用 generate-and-rank approach 对所生成的（story, ending）pairs 进行排序。实验表明，在人类评估和自动评估中都获得了更好的结果。

Jun, 2022

本文提出了一种将因果规划与神经语言模型统一起来的故事情节生成方法，该方法利用从大型语言模型中提取的常识知识以递归反向链接的方式扩展故事情节，并通过自动化评估证明相对于其他强基线方法它能生成更具连贯性的情节。

Dec, 2022

本文介绍一种基于 GPT-2 的系统，利用自动故事生成技术生成可靠的短篇小说情节，以协助作家构建一个一致且引人入胜的情节，实验表明，该系统产生的短篇小说情节在一致性和可故事性等方面优于其他模型，作者尝试了一种 story continuation 任务，以确定该系统如何影响创意写作的过程。

Feb, 2023

本文提出一种基于 Transformer 模型的对话生成算法，在动态更新实体状态以及句子实现方面做了扩展，并引入了对比学习框架来学习状态表示，实验表明其比现有基线算法在生成连贯且多样化的文本方面具有更好的表现。

Aug, 2022

通过引入 reward-shaping 技术的方法，研究表明，基于语言模型的故事情节生成方法可以生成满足特定目标的故事情节，并且比基线情节生成技术具有更合理的事件顺序。

Sep, 2018

自动生成游戏情节提升了玩家的体验，通过提供丰富而沉浸式的叙述体验，适应玩家的操作。我们提出了一种新的情节创作工作流程，通过使用大型语言模型驱动虚拟角色的行为，导入作者的意图并创造出根据游戏世界状态动态适应的故事，最终实现了作者、角色模拟和玩家共同创作的故事。

May, 2024

本论文提出并解决了通过两种文本生成范例 —— 统计机器翻译和深度学习，生成连贯故事的任务。使用两种 SMT 方法和一个深度 RNN 架构，将可变长度的输入描述编码为对应的潜在表示，并解码以生成形式完备的故事总结。在一个公开数据集上，利用常见的机器翻译和总结评估方法证明了所建议方法的有效性。

Jul, 2017

我们提出了三个模型：OpenPlot、E2EPlot 和 RLPlot 来解决自动生成故事情节的挑战。其中，OpenPlot 通过谨慎设计的提示替换了昂贵的 OpenAI API 调用，从而实现了廉价高质量的故事情节训练数据集生成；E2EPlot 通过监督微调训练生成了与 OpenPlot 可比质量的故事情节，并且速度快于 OpenPlot 超过 10 倍；最后，我们使用 RLHF 进一步对 RLPlot 进行微调，采用多个奖励模型优化故事质量的不同方面，在悬念和惊喜方面获得了 60.0% 的胜率。

Oct, 2023

本文探讨了根据标题生成故事的开放域故事生成，提出了一种计划和写作的分层式生成框架，比较了两种规划策略，并通过实验表明了明确的故事情节规划会让生成的故事更加多样化、连贯且主题贴切。

Nov, 2018