本研究填补现有研究中忽略的人类理解角色的心理状态（即人类心智理论）的元学习本质，创造了一个基于电影脚本的语言理解基准评估，要求模型在新电影的几个初始场景中快速理解角色，我们的人类研究验证了人类可以推理角色的心理状态，但目前的度量学习和元学习方法在任务上落后于人类 30%。

Nov, 2022

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

使用电影简介和评论来描绘背景和风格的多视角模型，对象多标签数据集的实验包括电影简介和各种属性，表明相比于仅使用简介的方法，它可以提高分类准确性，最后，展示如何使用类型推导来提取评论中的故事属性。

Aug, 2019

本研究提出了一种交互式框架，该框架通过接收并编码领域相关的概念和专家反馈来维护领域专家对学习的控制，从而在自动化和手动编码之间取得平衡。

May, 2023

本文旨在利用神经嵌入和上下文敏感的卷积神经网络将电影与小说对齐，以提供更广泛的语义性内容解释，为视觉内容提供详细的描述信息，为此我们展示了良好的定量性能和多样性的任务示例。

Jun, 2015

通过一种有监督学习方法，针对特定领域（例如运动、职业），识别出一组强烈改善人类相似度判断预测的模型特征子集，并通过两种方法解释所保留特征的语义，从而揭示了人类如何根据性别包容性和国际性来区分运动类别，以及不同领域中特征对不同语义维度的预测能力。对于职业特征而言，最能预测认知、情感和社会维度，而对于水果或蔬菜特征而言，则最能预测味觉维度。讨论了对于人工智能系统与人类知识之间的对齐的意义。

Oct, 2023

该研究提出了一种多流理解网络方法 (MulCom)，它在分析电影剧情中的 Tropes (故事设备) 方面表现出优异的性能，并与基准模型进行了比较。

Jan, 2021

本篇研究提出一种基于共情共鸣的个人故事相似度计算方法，通过对个人故事中的主要事件、情感轨迹和总体价值等三个特征进行操作来得出共情相似度得分，并使用 1500 个故事和 2000 对故事进行了数据集制作与模型的训练，最终证实了基于共情的相似度计算模型不仅在数据检索表现方面媲美基于词汇语义的模型，还能有效地促进人与人之间的情感共鸣与联系。

May, 2023

本研究报道了一种基于神经网络模型的人设推理方法，通过对 IMDB 电影台词的编码和特征表示学习，模型能够有效地根据角色类型实现人设嵌入，并应用于电影角色相似性度量和电影聚类。

Oct, 2018

本文研究使用随机嵌入在某些自然语言处理任务中（如语义角色预测或主题合适度估计）可以取得与预训练嵌入一样好的表现，探讨了哪些情况下可以实现这一点，并考察了学习主要编码的部分：单词嵌入、语义角色嵌入或网络结构，研究了多任务学习中的表征学习方面，观察到某些任务的质量得分与训练数据大小之间的非单调关系，并使用更简化的动词版本的任务分析这些结果，结论有助于更好地了解 NLP 中的随机嵌入、多任务学习和主题合适度等。

Aug, 2022