小说情感轨迹的计算分析很少考虑不同角色之间的情感变化，而我们的研究使用角色对话来区分叙述和不同角色的情感轨迹，并发现小说中的情感轨迹通过叙述和对话表达的不同情感更能准确地捕捉故事的共性或差异。

Mar, 2024

使用大数据分析的方法，利用计算能力，自然语言处理和数字化文本处理，对文化演变进行研究，对一部分 Project Gutenberg 文本集中的 1327 个故事进行情感弧分类，发现六种情感弧，是构成复杂情感轨迹的基本构建模块之一，并可以通过矩阵分解、监督学习和无监督学习进行加强，发现有些情感弧在今天的出版物中更受欢迎，由下载数量衡量。

Jun, 2016

分析非言语传达情感的方法，发现人类写作的小说可以通过多种非言语渠道传递角色情感，建议自动故事讲述系统在生成角色情感描述时应考虑情感的可变性。

Jun, 2019

利用机器学习方法构建电影中的情感弧线，计算弧线系列，并展示了某些弧线预测观众参与度的能力。通过调查观众的反应，结果表明学习到的弧线成功地表示了影片故事的宏观方面，这进一步提高了我们作为讲故事人之间交流能力，以预测观众对视频故事的反应。

Dec, 2017

通过计算基于文本长度的峰值波动，利用基于眼动数据的量化方法（ousiometrics）和经验模态分解（Empirical Mode Decomposition）技术，找到了故事结构中子故事的叙事时间尺度，该方法适用于不同长度的书籍的文本分析，并可以清晰地提取故事中的基本趋势和波动信息以及提取一些污染信息，对于文本分析全面了解了更多的故事信息和主题结构。

Aug, 2022

人类沟通和感知故事情节对媒体技术研究和发展至关重要，我们提出了一种多模态分析漫画和漫画风格视觉叙事的流派的新方法，通过高级特征对流派分类进行详细分析，并且系统性地将主观叙事模式纳入计算模型。

Dec, 2023

本文提出了一种计算模型，通过分析角色猜测的心理状态和句法和语义层面的语言信息，自动检测叙述结构的主要元素。通过使用预先训练的社交常识知识模型获取主角的心理状态信息，并使用多功能融合方法将其与语境语义嵌入相结合，我们建立了一个包含手动注释的 STORIES 数据集的计算模型来实现这一任务，并在评估中发现我们的模型能够实现极显著的改进来识别高潮和结局。

Feb, 2023

本文介绍了一个新的任务 - 将小说角色之间的情感关系分类，并针对该任务提出了两个子任务：角色识别和情感关系分类。通过多种不同的神经网络方法建立了情感关系分类模型，最终达到了 0.45 F1 指标。

Mar, 2019

本文介绍了一种新的数据集，名为 ‘Spoken Moments’，共收集了 500k 由语音记录的视频描述并提出一种名为 AMM 的对比学习方法，用于视频标注和检索任务，并通过评估得到了较好的实验结果。

May, 2021

通过构建 327 个电影的电影简介关联（Movie Synopses Associations，MSA）数据集，以及开发一套能够识别电影片段并且和简介段落进行精准匹配的框架，本研究指出利用文学结构和人物互动来提高匹配精度是非常重要的，相较于传统的特征匹配方法，这种基于图形的综合匹配策略能够在电影理解领域有实质性的提升。

Oct, 2019