本文介绍了一种由心理学理论指导的可控故事生成系统（PICS），采用全局心理状态链和心理状态跟踪器和规划器来生成更可控和规划良好的故事，自动和手动评估表明 PICS 胜过基准。

Oct, 2022

该论文提出了一种用于故事细粒度控制的模型，它允许根据个性化指导生成定制故事，实验证明其具有强大的可控性。

Oct, 2022

本文提出了一个新的任务 —— 风格化故事生成，即在给定前导的情况下生成带有指定风格的故事，并提出了一种新颖的生成模型来解决这个问题，该模型首先规划出风格化关键词，然后在关键词的指导下生成整个故事。此外，提出了两种自动度量标准来评估所生成的故事与指定风格之间的一致性。实验证明，我们的模型能够根据 ROCStories 数据集（Mostafazadeh et al.，2016）可控地生成情感驱动或事件驱动的故事，为进一步研究风格化故事生成提供了见解。

May, 2021

本研究使用神经叙事方法对情感轨迹进行了建模，包括情感监督和两个情感增强模型。经过自动化和手动评估，这些模型在生成故事的情感路线方面比基线方法具有显著优势，而且不会降低故事的质量。

Oct, 2020

我们提出了一个控制生成多个不同输出的简单有效建模框架，重点考虑了情感、长度、谓语、语义框架和自动诱导簇等几个句子属性。我们的实验结果表明：(1) 我们的框架在产生与目标控制值匹配的输出方面非常准确；(2) 与标准的 n-best 列表生成相比，我们的模型产生的最大指标得分要高；(3) 控制语义框架的生成方式能够产生更强的多样性和质量，其自动度量分数也更高。我们还进行了人类评估，以评估为创意写作提供多个建议的效用，在协作写作系统中实现可控性、多样性的生成具有很大的潜力。

Sep, 2019

自动视觉化故事生成包含了自然对话生成和图像生成两个部分，其中，系统通过用户指定的关键词和情绪标签生成下一个句子，再用扩散模型生成相应的图像。此外，通过对象识别技术，生成的图像中的物品可被用于未来的故事发展。

Jan, 2023

本文介绍了一种使用情感驱动的文本生成模型，其能够有效地生成带有情感色彩的、主题集中的且语法正确的句子，并集成了 GPT-2 等概率文本生成模型。该模型考虑了情感类别、强度和主题的灵活性，并在自动化评估和人类研究中优于其他情感文本生成模型。

Nov, 2020

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

我们提出了 LongStory，一种用于连贯、完整且受长度控制的长篇故事生成的方法。它引入了两种新方法：长期和短期上下文权重校准器（CWC）和长篇故事结构位置（LSP）。在多个数据集上训练，LongStory 在连贯性、完整性、相关性和重复性方面优于其他基线，包括强大的故事生成器 Plotmachine。我们还对每个数据集进行了零样本测试，评估该模型在超出其训练数据范围的情况下预测结果的能力，并通过与我们模型的变体进行比较来验证我们的方法。

Nov, 2023

本文提出 CONPER 模型，以控制主角人物的性格，生成一个情境和人物描述的故事，并通过事件序列展示指定的性格特征。自动和手动评估结果表明，CONPER 模型在生成更连贯和可控的故事方面优于现有基准。

Apr, 2022