使用迭代提示基于规划的方法，这篇论文首次尝试使用大型语言模型进行悬疑故事生成，并通过广泛的人类评估证明了方法的有效性。

Feb, 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

研究小说悬念的计算建模方法，提出一种基于层次语言模型的方法，对短篇小说进行人类悬念判断，结果显示使用基于陈述的不确定性降低表示法可以实现接近人类水平的准确度，并且可以用于预测电影剧情中的悬念事件。

Apr, 2020

本文提出了一种基于潜在变量模型的神经故事生成方法，采用外部摘要模型指导该方法从训练数据中学习生成具有可解释高级情节的概述，并在自动和人类评估中取得了显著的改进。

Dec, 2019

该研究探讨了故事生成：创作系统可以在一个主题上构建连贯流畅的文本段落，使用一个大规模的数据集，通过分层式故事生成模型，研究人员成功地实现了模型融合，引入了新的门控多尺度自注意机制，并在自动化和人工评估中实现了显著的改进。

May, 2018

训练自然语言处理系统以深入理解语言是该领域的中心目标之一。本文从人类大脑理解自然语言的角度出发，研究了使用叙述数据集进行深层次叙事理解训练的语言模型是否真正学习了更深层次的文本理解，并表明了这种训练可以带来更好的大脑 - 自然语言处理对齐性、可以使语言模型在长距离文本理解方面取得改进。

Dec, 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

本文提出了一种基于生成模型的 auto-regressive image generator，用于在文本提示和前一个图像的条件下生成连贯的图像序列作为开放式视觉叙事，并介绍了一个名为 StorySalon 的新的数据集构建流程。实验证明，该模型在图像质量、风格一致性、内容一致性和视觉 - 语言对齐等方面具有显著优越性。

Jun, 2023

本研究针对长篇叙述性文章提出了一种基于叙述结构的提取式摘要模型。通过将叙述结构转化为关键节点，导入非监督和监督提取式摘要模型，实验结果表明，潜在节点与 CSI 剧集的重要方面相关，并通过提高提取式算法的完整性和多样性改善了摘要性能。

Apr, 2020