本文提出了几种无监督方法来计算事件显著性，这些方法采用了巴特思对事件显著性的定义，并仅需要一个预先训练的语言模型。 在叙事文本上微调语言模型是提高提出方法表现的关键因素。

Nov, 2020

本研究旨在研究事件显著性（重要性）并提出两个基于内容相似性和语篇关系的显著性检测模型，经测试，两种方法明显优于强频率基线，同时神经模型通过大幅提高基于特征的模型而进一步改善。

Sep, 2018

NECE 工具包是一款自动提取和对齐时间排序的叙事事件工具，具有人工校对验证和应用潜力，可用于问题回答和偏见分析。

Aug, 2022

提出了一种新颖的方法，使用外部神经记忆链跟踪不同的语义方面，每个链条专注于特定的语义方面，以实现对叙述的深层语义理解，该方法在故事结尾预测任务上表现优异，超过了一系列竞争基线，并创造了新的最先进成果。

May, 2018

本综述文章聚焦于从事件中心的角度提取新闻叙事，包括合成、组织、评估方法等方面，总结了 900 多篇相关文章中的 54 篇研究，分析了近年来的趋势和未来的挑战和潜在研究方向。

Feb, 2023

本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件，通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。

Aug, 2017

利用大型语言模型 (LLM) 的最新进展，我们提出了首个事件因果识别方法，从 GPT 中设计特定提示以提取事件因果关系。根据 GLUCOSE 数据集中的人工注释事件因果关系，我们的技术表现与监督模型相当，同时易于推广到不同类型和长度的故事。提取的因果关系在故事质量评估上带来了 5.7% 的提升和 8.7% 的故事视频文本对齐改进，我们的发现表明事件因果在计算机故事理解中有巨大的潜力。

Nov, 2023

本文介绍了 CALLMSAE，这是一个基于 CAscading Large Language Model 框架的关键事件图生成方法，它利用 LLMs 的能力，无需昂贵的人工注释。实验结果表明，该方法生成的关键事件图更准确，胜过竞争性基线模型。

Jun, 2024

本研究利用 Barthes Cardinal Functions 和 surprise 和理论为基础的无监督方法，将其应用于长篇叙事形式中，改进了标准 transformer 语言模型，通过引入 Retrieval Augmented Generation 的外部知识库和添加记忆机制来提高该语言模型在长篇作品中的性能，使用来自 Shmoop 语料库的章节摘要来推导显著性标注的新方法，针对这些数据进行的评估证明，与非知识库和记忆增强语言模型相比，我们的显著性检测模型提高了性能，这两者对于此改善至关重要。

Sep, 2021

使用基于神经网络的合奏模型生成事件导向的自动故事情节，比基线方法生成的故事更连贯和可信。

Sep, 2019