本研究探讨了基于神经生成的不同人格特征的视觉故事生成，通过在编码器和解码器表示中添加人格来引导生成，提出了五种模型，并使用五种不同的人格进行实验，结果表明我们的模型在生成目标人格的故事时表现更好。

Jun, 2019

研究了自然语言文本的故事结构，提出了一个新的数据集 DesireDB，用于识别和跟踪人物的目标和愿望，并展示了基于 LSTM Skip-Thought 模型的追踪愿望实现的实验结果。

Aug, 2017

此研究提出并介绍了拥有角色描述的文学作品摘要数据集 LiSCU，探索了文学角色理解中的新领域，并通过使用预训练语言模型进行的实验，表明需要更好的叙事理解模型。

Sep, 2021

该研究利用 VIST 数据集，提出了一个模型，通过隐式学习提供的角色之间的关系，生成关注的角色的故事，旨在解决基于图像序列生成故事时，模型忽略可能存在的人和动物角色的问题。

Sep, 2019

本文探讨以人物为驱动的故事延续，引入角色之间的第一人称和第二人称叙述以及对话，需要模型选择与角色个性和关系一致并推动故事发展的语言。我们假设在训练人物对话和关系信息的多任务模型的基础上，改进了基于 Transformer 的故事延续。为此，我们拓展了 Critical Role Dungeons and Dragons 数据集，并通过自动提取每对交互角色之间的关系和他们的个性。一系列实验为我们的假设提供了证据，表明我们使用人物关系的多任务模型相对于强基线能够提高故事延续的准确性。

May, 2021

这篇论文提出了两个任务，包括对话生成和对话说话者识别，并构建了一个新的数据集 DialStory 以进行评估，同时提出了学习显式角色表示以提高性能，并通过实验和案例研究表明，我们的方法可生成更连贯和信息量更大的对话，并实现了比强基线更高的说话者识别准确度。

Sep, 2022

通过该研究，提出了一种基于电视剧脚本的 TVShowGuess 任务来评估机器对叙事故事中虚构人物理解能力的新方法，并且证明了这种任务覆盖了多种类型的人物特质和能力，进一步提出了支持长场景文本的上下文编码的新模型结构。实验表明，新模型的性能明显优于基线，但仍大大落后于人类表现。 该研究初步探索了叙事性角色理解的目标。

Apr, 2022

我们介绍了一个新的语料库，PersonaBank，由 108 个带有它们的故事意图图注释的个人博客故事组成，描述了这些故事的主题和基于故事意图图表达的深层表示，以及注释故事以产生故事意图图表的过程和适应这个新个人叙述域的挑战，我们还讨论了如何在应用中使用这个语料库，通过不同风格的讲述或作为内容规划器复述故事。

Aug, 2017

人们在网上分享故事具有多种目的，研究在线社区中的讲故事行为具有挑战性，本研究引入了一个编码手册，并创造了一个由 502 个带有标记的英语帖子和评论组成的专家注释数据集，通过该数据集，我们训练和评估了一个在线故事检测模型，用以调查不同社交环境中讲故事的角色，我们发现了在线讲故事的独特特征，不同社区中讲故事的普遍性以及讲故事的对话模式。

Nov, 2023

本文探讨通过利用已有的故事数据集，将背景故事加入人物角色，通过基于梯度的重写技术，使生成的响应流畅、差异最小，并与原始人物角色保持一致，实现对话模型人性化和丰富性的提高。

Jun, 2021