本文基于叙述文本中的双重时间特征，提出了一种新颖的方法来获取跨句子的丰富的事件先后顺序知识。通过探索叙述学原则和构建弱监督学习，从三个大型文本语料库中识别了 287k 个叙述段落，并从中提取了丰富的事件时间知识，这种事件知识对于改善时间关系分类任务很有用，并在叙述 Cloze 任务上优于最近几个神经网络模型。

May, 2018

探讨利用时间戳，如文档创建日期，将时间信息纳入到生成系统中的影响，研究时间感知提示的两种类型，并引入一个新的数据生成数据集 TempWikiBio，通过数据生成、文本传输和摘要三个数据集展示了使用线性提示和文本提示可以提高所有数据集的生成质量，线性提示对非时间信息更加关注，对时间敏感度较低，而文本提示可以产生更符合事实的时间信息。

Nov, 2022

提出了一个 BART-based 条件生成模型，可以同时处理事件之间的时间排序和事件插入预测。使用延迟自编码器进行训练并证明了在不使用显式标签的情况下，该模型优于 BERT-based 方法和指针网络，并且在事件的时间上更优于 GPT-2 completion 模型。

Dec, 2020

本文提出了一种反事实的故事重写模型，用于通过改变故事的最小部分，使其与另一事件相容，并介绍了一种新的可用于评估该模型的数据集 TimeTravel。

Sep, 2019

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

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

通过对传统提示技术进行扩展，我们的研究在各种新闻数据集上证明了增强提示效果的有效性，使新闻时间线生成成为专业使用的实际工具，并已部署为公开可访问的浏览器扩展程序。

Nov, 2023

通过计算自传和想象故事之间的 sequentiality 来探究记忆和推理对语言生成过程的影响。

Jan, 2022

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

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