Decoding Linguistic Nuances in Mental Health Text Classification Using Expressive Narrative Stories
University of Missouri（密苏里大学）；Texas A&M University-Corpus Christi（德州农工大学科珀斯克里斯蒂分校）
本研究利用Reddit数据评估BERT、MentalBERT等模型在表达性叙事故事心理健康文本分类中的表现，发现BERT对主题词缺失敏感性低且能保持句序打乱时的准确率，更具实际应用优势。
2024-12-20 cs.CL cs.LG
Decoding Memes: Benchmarking Narrative Role Classification across Multilingual and Multimodal Models
本文针对互联网迷因的叙事角色（英雄、反派、受害者、其他）分类任务构建基准，评估了多语言和多模态模型在零样本设置下的表现，发现大模型虽有提升但在识别“受害者”及跨文化泛化上仍存挑战，并证实了混合提示策略的有效性。
2025-06-29 cs.CL cs.CY
ScriptWriter: Narrative-Guided Script Generation
Université de Montréal（蒙特利尔大学）；Microsoft XiaoIce（微软小冰）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Film Academy（北京电影学院）
有一个能从故事情节自动生成故事或脚本的系统是很有吸引力的，尽管这仍然是我们无法实现的。在对话系统中，通过对话计划来驱动对话也将是有用的。在本文中，我们解决了这些应用程序中涉及的一个关键问题-通过叙事引导对话。所提出的模型ScriptWriter选择最佳响应的候选人，适合上下文以及给定的叙述。它记录了叙述中已经说过的话和将要说的话。叙述起着与上下文不同的作用（即，先前的话语），这通常用于当前的对话系统。由于这个新应用程序的数据不可用，我们从电影网站构建了一个新的大规模数据汇集GraphMovie，最终用户可以在观看电影时自由上传他们的叙述。在数据集上的实验结果表明，我们提出的基于叙事的方法显着优于简单地使用叙事作为一种上下文的基线。
2020-11-15 cs.CL
Advancing Question Generation with Joint Narrative and Difficulty Control
LIACC, Faculdade de Engenharia, Universidade do Porto（LIACC，工程学院，葡萄牙波尔图大学）
针对教育场景中问题生成需同时适配叙事特征与难度的需求，提出联合叙事与难度控制策略，并通过评估验证其可行性、适用条件及权衡。
2025-06-07 cs.CL
LoRA for Gender-Inclusive Rewriting and Activation Steering for Counter-Narrative Generation
IHLC（未提及具体中文译名）
本文针对LT-EDI 2026共享任务，用参数高效的LoRA微调实现性别包容性改写，还用推理时表示工程方法结合约束提示生成反叙事，通过PCA得出主引导方向注入中间表示，取得一定分数，同时分析了引导行为的关键失败模式。
2026-07-28 cs.CL
Codified Foreshadowing-Payoff Text Generation
University of California, San Diego（加州大学圣地亚哥分校）
本文提出CFPG框架，通过编码预兆-回报机制，提升LLM的叙事生成能力，实现情节逻辑的准确兑现。
2026-01-11 cs.CL
A Skeleton-Based Model for Promoting Coherence Among Sentences in Narrative Story Generation
Peking University（北京大学）；Northwestern Polytechnical University（西北工业大学）
叙事故事生成是一个具有挑战性的问题，因为它要求生成的句子具有紧密的语义联系，这还没有得到很好的研究，大多数现有的生成模型。为了解决这个问题，我们提出了一个基于campion的模型，以促进生成的故事的一致性。与传统的一次生成一个完整句子的模型不同，该模型首先生成最关键的短语，称为骨架，然后将骨架扩展为一个完整流畅的句子。骨架不是手动定义的，而是通过强化学习方法学习的。与现有的模型相比，我们的模型可以根据人工评价和自动评价生成更加连贯的文本。在人类评估中，G分数提高了20.1%。代码可在https://github.com/lancopku/Skeleton-Based-Generation-Model上获得
2018-08-27 cs.CL
ViNTER: Image Narrative Generation with Emotion-Arc-Aware Transformer
The University of Tokyo（东京大学）；RIKEN（理化学研究所）
图像叙事生成是从图像出发，以主观视角创造故事的任务。鉴于作者、读者和人物的主观感受在讲故事中的重要性，图像叙事生成方法应该考虑人类情感。在这项研究中，我们提出了一种新的图像叙事生成方法称为ViNTER（视觉叙事Transformer与情感弧表示），它以“情感弧”作为输入，以捕捉一系列的情感变化。由于情感弧代表了情感变化的轨迹，因此我们可以将故事中情感变化的详细信息包含到模型中。我们提出了自动和手动评估的图像叙事数据集的实验结果，并证明了所提出的方法的有效性。
2022-04-07 cs.CL cs.CV
EpiNarrate: Agentic Generation of Grounded Narratives from Epidemiological Scenario Projections
University of Virginia（弗吉尼亚大学）；Biocomplexity Institute（生物复杂性研究所）；Virginia Tech（弗吉尼亚理工大学）；University of Pittsburgh（匹兹堡大学）
研究旨在生成公共卫生叙事，提出EpiNarrate框架，将数值推理与自然语言生成分离，通过提取情景轴、构建数据集等步骤，经实验验证该模型能生成事实依据更充分、覆盖范围更广且风格类似专家报告的叙事。
2026-07-20 cs.CL
Beyond LLMs: A Linguistic Approach to Causal Graph Generation from Narrative Texts
University of California, San Diego（加州大学圣地亚哥分校）
该研究提出从叙事文本生成因果图的框架，先以LLM提取顶点，引入含七个语言特征的“专家索引”并集成到分类模型，结合RoBERTa嵌入提升因果关系识别精度，经五次迭代提示构建因果图，实验证明其优于GPT-4o和Claude 3.5，还提供开源工具。
2026-07-13 cs.CL
Narrative Interpolation for Generating and Understanding Stories
UT Austin（德克萨斯大学奥斯汀分校）
我们提出了一种控制叙事/故事生成的方法，在这种方法中，我们能够引导模型通过插值生成具有用户指定目标结局的连贯叙事：例如，我们被告知Jim去远足，最后Jim需要被救出，我们希望模型在此过程中逐步生成步骤。我们的方法的核心是基于GPT-2的插值模型，该模型以叙事中的前一句和下一句为条件，并填补空白。此外，reranker有助于控制生成的文本的连贯性。与人类的评价，我们表明，结束指导的生成结果的叙述是连贯的，忠实于给定的结束指南，并需要更少的人工努力的一部分，人类指南作家比过去的方法。
2020-08-17 cs.CL
Planning Beyond Text: Graph-based Reasoning for Complex Narrative Generation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Tencent Turing Lab（腾讯人工智能实验室）
本文提出PLOTTER框架，通过结构图进行叙事规划，提升LLM在复杂叙事生成中的长上下文推理能力。
2026-04-23 cs.AI cs.CL
Creative Convergence or Imitation? Genre-Specific Homogeneity in LLM-Generated Chinese Literature
本文通过引入普罗普叙事学理论，分析LLM生成的中文网络文学叙事结构，揭示其同质化原因，定义34种现代网络叙事功能并构建标注语料库。
2026-03-15 cs.CL
Parsimonious Argument Annotations for Hate Speech Counter-narratives
Universidad de Buenos Aires（布宜诺斯艾利斯大学）；Universidad Nacional de Córdoba（科尔多瓦国立大学）
我们提出了一个丰富的仇恨言论推文的Hateval语料库（Basile等。2019年1月29日），旨在促进自动化反叙事生成。相比以前的工作（Chung et. 2019年），手动编写的反叙述与推文相关联。然而，这些信息本身似乎不足以获得令人满意的反叙事生成的语言模型。这就是为什么我们还根据Wagemanns（2016）对推文进行了注释，我们认为这有助于为针对特定群体的仇恨言论建立令人信服和有效的反叙述。我们讨论了这个注释过程的不足和困难，并提出了几个基线自动检测的注释元素。初步结果表明，自动注释器执行接近人类注释器检测论证的某些方面，而其他人只达到低或中等水平的注释器间的协议。
2022-08-01 cs.CL
Using Pre-Trained Language Models for Producing Counter Narratives Against Hate Speech: a Comparative Study
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Trento（特伦托大学）；University of Stuttgart（斯图加特大学）
在这项工作中，我们提出了一个广泛的研究使用预训练的语言模型的任务自动计数器叙事（CN）的生成，以打击网上仇恨言论的英语。首先，我们提出了一个比较研究，以确定是否有一个特定的语言模型（或类LM）和一个特定的解码机制，是最合适的生成CN。研究结果表明，自回归模型结合随机解码是最有前途的。然后，我们研究如何LM执行生成CN关于一个看不见的仇恨目标。我们发现，成功的“目标外”实验的一个关键因素是不是一个整体的相似性与训练数据，但存在一个特定的子集的训练数据，即一个目标，共享一些共性与测试目标，可以被定义为先验。最后，我们介绍了一个管道的基础上增加了一个自动后期编辑步骤，以完善生成的CN的想法。
2022-04-04 cs.CL cs.CY
Narrative Theory-Driven LLM Methods for Automatic Story Generation and Understanding: A Survey
School of Computer Science and Engineering（计算机科学与工程学院）；School of Arts and Media（艺术与媒体学院）；University of New South Wales (UNSW)（新南威尔士大学）
综述叙事理论驱动的大语言模型方法在自动故事生成与理解中的应用，分析现状并指出生成任务在理论应用、后训练方法、非虚构叙事及叙事层次等方面落后于理解任务，提出未来方向。
2026-06-18 cs.AI cs.CL
PlotMachines: Outline-Conditioned Generation with Dynamic Plot State Tracking
University of Washington（华盛顿大学）；Microsoft Research（微软研究院）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
我们提出的任务大纲条件下的故事生成：给定一个大纲作为一组短语，描述关键人物和事件出现在一个故事中，任务是生成一个连贯的叙述，是与所提供的大纲一致。这项任务具有挑战性，因为输入只提供了情节的粗略草图，因此，模型需要通过交织大纲中提供的关键点来生成故事。这需要模型跟踪潜在情节的动态状态，在生成完整故事的同时以输入轮廓为条件。我们提出了PlotMachines，这是一种神经叙事模型，它通过跟踪动态情节状态来学习将大纲转换为连贯的故事。此外，我们丰富了高层次的话语结构的PlotMachines，使该模型可以学习不同的写作风格，对应于不同的部分的叙述。在三个小说和非小说数据集上的综合实验表明，大规模语言模型，如GPT-2和Grover，尽管其令人印象深刻的生成性能，但不足以为给定的大纲生成连贯的叙述，动态情节状态跟踪对于用更紧密，更一致的情节组成叙述是很重要的。
2020-10-09 cs.CL
Narrative-UFET: Narrative Generation for Ultra-Fine Entity Typing
University of Colorado Boulder（科罗拉多大学博尔德分校）
提出Narrative-UFET方法，通过自动生成短叙事扩展超细粒度实体类型，利用叙事上下文改善长尾类型识别，其中类型变化变体提供更强信号。
2026-10-06 cs.AI cs.CL
The Garden of Forking Prompts: How Users Explore Narrative Space in Story Generation
University of Colorado Boulder（科罗拉多大学博尔德分校）；University of Georgia（佐治亚大学）；University of Washington（华盛顿大学）
本研究利用真实用户与聊天机器人的对话日志，构建了WildStories和WildEdits数据集，提出编辑类型框架，分析用户通过迭代编辑提示词探索叙事空间的行为，并展示了基于该框架的自动排列用于故事生成基准测试。
2026-09-15 cs.CL
Towards Knowledge-Grounded Counter Narrative Generation for Hate Speech
Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）；University of Trento（特伦托大学）
最近，使用知情的文本回应（称为反叙事）来应对网络仇恨已经成为人们关注的焦点。因此，出现了一种自动生成反叙述的研究方法，以促进对仇恨讨论的直接干预，并防止仇恨内容进一步传播。尽管如此，目前的神经方法往往会产生通用/重复的反应，缺乏基础和最新的证据，如事实，统计数据或例子。此外，这些模型可以产生看似合理但不一定真实的论点。在本文中，我们提出了第一个完整的知识约束反叙事生成管道，基于外部知识库，可以提供更多信息内容来打击在线仇恨。结合我们的方法，我们提出了一系列实验，表明其在域内和跨域环境中产生合适且信息丰富的反叙述的可行性。
2021-06-22 cs.CL cs.CY
StoryCoder: Narrative Reformulation for Structured Reasoning in LLM Code Generation
Dept. of Artificial Intelligence, Chung-Ang University（Chung-Ang 大学人工智能系）；NAVER AI Lab（NAVER AI 实验室）
StoryCoder通过将代码生成问题转化为连贯的自然语言叙述，提升模型推理和规划能力，实验显示在多个数据集上平均提升18.7%的零样本准确率，且改进了算法策略和代码结构。
2026-04-16 cs.AI cs.CL
A LLM-Based Ranking Method for the Evaluation of Automatic Counter-Narrative Generation
HiTZ Center - Ixa, University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU HiTZ中心 - Ixa）
本文提出基于大语言模型两两比较的锦标赛式排序方法评估反叙事生成，与人类偏好高度相关（ρ=0.88），并发现零样本聊天对齐模型为最佳生成器。
2024-11-04 cs.CL
ReZG: Retrieval-Augmented Zero-Shot Counter Narrative Generation for Hate Speech
Sichuan University（四川大学）；Cyber Science Research Institute, Sichuan University（四川大学网络科学研究院）
ReZG通过多维层次检索与基于能量的约束解码，在不依赖目标内反叙事训练样本的情况下实现零样本反叙事生成，显著提升了针对未见仇恨言论目标的反驳成功率与相关性。
2024-12-28 cs.CL
EIPE-text: Evaluation-Guided Iterative Plan Extraction for Long-Form Narrative Text Generation
Microsoft Research Asia（微软亚洲研究院）
针对长篇叙事生成中规划质量不佳的问题，提出EIPE-text框架，通过问答评估引导的迭代计划提取构建更好规划器，经微调或上下文学习提升生成连贯性与相关性。
2023-10-12 cs.AI cs.CL
ConWriter: Transition-Constrained Stateful Long-Form Story Generation with Lightweight Neuro-Symbolic Consistency Control
针对现有长故事生成方法易累积各类错误的问题，提出无训练框架ConWriter，通过维护故事状态、验证叙事过渡并结合风险信号实现一致性控制，在ConStory-Bench上完成多模型多任务评估。
2026-09-07 cs.CL
Generating Narrative Text in a Switching Dynamical System
Stony Brook University（石溪大学）；United States Naval Academy（美国海军学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
叙事建模的早期工作使用明确的计划和目标来生成故事，但语言生成本身受到限制且不灵活。现代方法使用语言模型来实现更健壮的生成，但通常缺乏对引导连贯叙述的脚手架和动态的明确表示。本文介绍了一种新的模型，结合显式叙事结构与神经语言模型，形式化叙事建模为切换线性动力系统（SLDS）。SLDS是一个动态系统，其中系统的潜在动态（即状态向量如何随时间变换）由顶层离散切换变量控制。转换变量代表叙事结构（例如，情感或话语状态），而潜在状态向量编码关于叙事的当前状态的信息。这种概率公式允许我们控制生成，并且可以使用标记和未标记的数据以半监督的方式学习。此外，我们为我们的模型推导出一个吉布斯采样器，它可以在切换变量的指导下填充叙述的任意部分。我们填写的（英语）叙述在自动和人工评估方面都优于几个基线。
2020-04-08 cs.AI cs.CL
Privacy-Preserving Generation of Clinical Narratives from Medical Terminologies
针对医疗领域隐私限制真实临床数据使用的问题，提出Term2Note方法，通过分离内容形式、分节生成并应用DP质量最大化器，生成的合成临床笔记保真度与实用性优于现有基线，下游模型性能接近真实数据训练结果。
2026-09-01 cs.CL
On Few-Shot Prompting for Controllable Question-Answer Generation in Narrative Comprehension
Faculty of Engineering of the University of Porto (FEUP)（葡萄牙波尔图大学工程学院）；Artificial Intelligence and Computer Science Laboratory (LIACC)（人工智能与计算机科学实验室）
本文提出少样本提示方法，从儿童叙事文本中控制生成问答对的显式性与叙事元素，并通过与参考模型对比验证其在语义接近度、多样性和连贯性上的优势。
2024-04-03 cs.AI cs.CL
From Personas to Plot: Character-Grounded Multi-Agent Story Generation for Long-Form Narratives
Pocket FM；Princeton University（普林斯顿大学）；University of Michigan（密歇根大学）；University of Maryland（马里兰大学）；Universitat Pompeu Fabra（庞培法布拉大学）
提出MAGNET多智能体叙事引擎和ATLAS幻觉检测管线，通过角色代理和世界状态追踪，在100页故事中减少41%注释和50%幻觉，实现连贯长篇小说生成。
2026-10-06 cs.AI cs.CL cs.MA
Basque and Spanish Counter Narrative Generation: Data Creation and Evaluation
HiTZ Center - Ixa, University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU HiTZ中心-Ixa）；The Alan Turing Institute（阿兰·图灵研究所）；Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）
本文构建了巴斯克语和西班牙语反叙事数据集CONAN-EUS，并实验证明后编辑数据训练和多语言增强可提升mT5生成质量，但跨语言迁移效果因语言结构而异。
2024-03-14 cs.CL
Reconstructing Persistent Worlds from Narratives for Narrative-Grounded Interactive Experiences
该研究提出从叙事中重建显式持久世界的核心方法，开发原型实现可游玩环境，为AI辅助游戏创作等提供语义基础，验证了其可行性与应用价值。
2026-08-06 cs.AI cs.CL cs.GR
Diversity Enhanced Narrative Question Generation for Storybooks
Sungkyunkwan University（成均馆大学）
提出多问题生成模型mQG，通过关注上下文和问题生成多样且可回答的叙述性问题，在FairytaleQA等数据集上表现优异。
2023-10-25 cs.AI cs.CL
Inferring the Reader: Guiding Automated Story Generation with Commonsense Reasoning
Georgia Institute of Technology（佐治亚理工学院）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
针对Transformer模型在自动故事生成中情节不连贯、缺乏常识推理及难以追踪角色的问题，提出了引入常识推理并支持多角色互动建模的CAST框架，显著提升了单角色与双角色故事的连贯性、切题度、趣味性与流畅性。
2023-11-17 cs.CL
MLD-EA: Check and Complete Narrative Coherence by Introducing Emotions and Actions
University of Essex（埃塞克斯大学）
针对现有叙事研究忽视逻辑连贯性的问题，提出MLD-EA模型，利用LLMs识别叙事空白并生成符合情感逻辑的连贯句子，实验证明其提升了叙事理解与生成效果，填补了NLP领域相关空白。
2024-12-03 cs.AI cs.CL
A Simple, Fast Diverse Decoding Algorithm for Neural Generation
Stanford University（斯坦福大学）
在本文中，我们提出了一个简单，快速的解码算法，促进多样性的神经生成。该算法通过增加兄弟姐妹间的排序惩罚来修改标准的束搜索算法，有利于从不同的父母中选择假设。我们评估所提出的模型的对话响应生成，摘要摘要和机器翻译的任务。我们发现，不同的解码有助于所有的任务，特别是那些需要重新排序。我们进一步提出了一种变体，该变体能够使用强化学习（RL）针对不同输入自动调整其多样性解码率。我们观察到这种RL技术的进一步性能提升。本文包括来自未发表脚本“互信息和多样解码改善神经机器翻译“（Li和Jurafsky，2016）的材料。
2016-12-22 cs.CL
Multi-Agent Synergy-Driven Iterative Visual Narrative Synthesis
Hefei Institutes of Physical Science, Chinese Academy of Sciences（合肥物理科学研究院，中国科学院）；University of Science and Technology of China（中国科学技术大学）；Changzhou University（常州大学）
本文提出RCPS框架，通过深度叙事规划、自适应布局和迭代优化提升演示生成质量，并设计PREVAL评估框架，实验证明其显著优于基线且接近人类专家水平。
2025-07-17 cs.CL
Narrative-to-Scene Generation: An LLM-Driven Pipeline for 2D Game Environments
Yale University（耶鲁大学）；North Carolina State University（北卡罗来纳州立大学）
本文提出了一种由大语言模型驱动的2D游戏环境生成方法，通过时间框架分析和空间谓词提取，实现从叙述到可玩场景的自动化生成。
2025-12-31 cs.AI cs.CL cs.GR
SciNews: From Scholarly Complexities to Public Narratives -- A Dataset for Scientific News Report Generation
Saarland University（萨尔大学）
本文构建了涵盖九大学科的论文—科学新闻报道平行语料库 SciNews，分析二者差异并利用先进文本生成模型结合自动与人工评估建立基准。
2024-12-10 cs.AI cs.CL cs.LG
REVERSUM: A Multi-staged Retrieval-Augmented Generation Method to Enhance Wikipedia Tail Biographies through Personal Narratives
IIT, Kharagpur（印度理工学院克勒格布尔分校）
针对维基百科B、C类尾部传记信息不足的问题，提出多阶段检索增强生成方法REVerSum，利用个人叙事补充条目，并通过众包评估证明其在可整合性和信息性上显著优于基线。
2025-02-17 cs.CL cs.IR
Predicting the Quality of Short Narratives from Social Media
University of Massachusetts Boston（马萨诸塞大学波士顿分校）；Disney Research（迪士尼研究院）
建立叙事计算模型的一个重要而困难的挑战是叙事质量的自动评估。质量评估将叙事理解和生成联系起来，因为生成系统需要评估自己的产品。为了规避获取注释的困难，我们采用社交媒体中的支持率作为故事质量的近似衡量标准。我们从大众问答网站Quora收集了54,484个答案，然后使用主动学习构建了一个分类器，将28,320个答案标记为故事。为了在不使用社交网络功能的情况下预测支持数，我们创建了对文本区域和区域之间的相互依赖性进行建模的神经网络，这可以作为未来研究的强有力的基准。据我们所知，这是第一个大规模的自动评价叙事质量的研究。
2017-07-08 cs.CL cs.SI
ECO Decoding: Entropy-Based Control for Controllability and Fluency in Controllable Dialogue Generation
SungKyunKwan University（顺 Kyun 島大学）
针对可控对话生成中固定偏置难以兼顾可控性与流畅性的问题，提出ECO decoding，通过模型熵动态调整控制强度，在保持流畅性的同时提升可控性，并在单属性与多属性场景中均表现优异。
2025-11-03 cs.CL
Towards Coherent and Consistent Use of Entities in Narrative Generation
University of Edinburgh（爱丁堡大学）；DeepMind（深度思维）
大型预训练的语言模型（LM）在生成长而流畅的文本方面表现出了令人印象深刻的能力;然而，很少或根本没有分析它们保持实体连贯性和一致性的能力。在这项工作中，我们专注于叙事生成的最终任务，并系统地分析生成的故事中的长期实体连贯性和一致性。首先，我们提出了一套自动度量实体使用方面的模型性能。考虑到这些指标，我们量化了当前LM的局限性。接下来，我们建议通过使用辅助实体相关丢失来引导对存储器的读取和写入，以端到端的方式用动态实体存储器来增强预先训练的LM。我们表明，动态实体内存增加实体的一致性，根据自动和人类的判断，并有助于保存实体相关的信息，特别是在有限的上下文窗口的设置。最后，我们还验证了我们的自动指标与人类评级相关，并作为生成的故事质量的良好指标。
2022-02-03 cs.CL cs.LG
CreAgentive: An Agent Workflow Driven Multi-Category Creative Generation Engine
Sichuan University（四川大学）；Beijing Normal University（北京师范大学）
本文提出 CreAgentive，通过基于知识图谱的 Story Prototype 与三阶段多智能体工作流，解决大模型创意写作中的体裁、长度、连贯性和结构限制。
2025-09-30 cs.CL
Agents' Room: Narrative Generation through Multi-step Collaboration
Google DeepMind（谷歌DeepMind）
本文提出受叙事理论启发的多智能体协作框架 Agents' Room，通过专门智能体分解故事写作子任务，并配套高质量数据集与长篇叙事评估框架，实验显示其输出优于基线。
2025-03-14 cs.CL cs.LG cs.MA
Customized Image Narrative Generation via Interactive Visual Question Generation and Answering
The University of Tokyo（东京大学）；RIKEN（理化学研究所）
图像描述任务一直是以静态的方式进行研究的，定性的假设被认为是普遍适用的，无论描述的范围或目标如何。然而，在实践中，不同的观众可能会注意到图像的不同方面，并在不同的语境下产生不同的描述或解释。这种视角的多样性很难用传统的图像描述技术得到。在本文中，我们提出了一个定制的图像叙事生成任务，其中用户交互式地参与生成过程中提供的问题的答案。我们进一步尝试通过重复这样的交互阶段来学习用户的兴趣，并自动反映新图像的描述中的兴趣。实验结果表明，我们的模型可以生成各种描述从单一的图像，涵盖了更广泛的主题比传统的模型，同时可定制的目标用户的互动。
2018-04-27 cs.AI cs.CL cs.CV
DExperts: Decoding-Time Controlled Text Generation with Experts and Anti-Experts
University of Washington（华盛顿大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
尽管最近在自然语言生成方面取得了进展，但控制所生成文本的属性仍然具有挑战性。我们建议D专家：解码时间专家，一种用于受控文本生成的解码时间方法，将预训练的语言模型与专家产品中的“专家”LM和/或“反专家”LM相结合。直觉上，在集合中，只有当专家认为它们可能，而反专家认为它们不太可能时，令牌才会获得高概率。我们将DExperts应用于语言解毒和情感控制生成，在自动和人工评估方面优于现有的可控生成方法。此外，由于DEvexpert仅对预训练LM的输出进行操作，因此它对较小规模的（反）专家有效，包括在GPT-3上操作时。我们的工作突出了调整小LM的文本与（联合国）理想的属性，有效的解码时间转向的承诺。
2021-06-03 cs.CL
CHIRON: Rich Character Representations in Long-Form Narratives
School of Informatics（信息学院）；University of Edinburgh（爱丁堡大学）
针对现有叙事系统对角色理解不足的问题，本研究提出基于角色设定表的CHIRON表征框架，经生成与验证两步构建角色表征，在掩码角色预测任务上优于基线，其衍生指标可有效推断故事角色中心性且匹配人类判断。
2024-12-07 cs.CL
ePiC: Employing Proverbs in Context as a Benchmark for Abstract Language Understanding
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
虽然大语言模型在几个NLP基准测试中取得了令人兴奋的进展，但评估其复杂类比推理能力的研究仍然不足。在这里，我们介绍了一个高质量的众包叙事数据集，用于在上下文中使用谚语作为抽象语言理解的基准。该数据集提供了谚语和叙事之间对齐跨度的细粒度注释，并包含叙事和谚语之间最小的词汇重叠，确保模型需要超越表层推理才能成功。我们探索三个任务：（1）谚语推荐和对齐预测，（2）针对给定谚语和主题的叙事生成，以及（3）识别具有相似主题的叙事。我们的实验表明，与人类相比，神经语言模型在这些任务上很挣扎，这些任务带来了多重学习挑战。
2022-05-17 cs.CL
Critic-Guided Decoding for Controlled Text Generation
Seoul National University（首尔国立大学）；NAVER AI Lab（NAVER人工智能实验室）；University of Richmond（里士满大学）
引导语言生成朝向目标或远离不期望的内容一直是利用语言模型（LM）的长期目标。最近的工作表明，强化学习和加权解码的有效方法，以实现更高水平的语言控制和质量的利弊。在这项工作中，我们提出了一种新的批评解码方法控制语言生成（CriticControl），结合了强化学习和加权解码的优势。具体来说，我们采用演员批评的框架训练LM转向评论家从不可微的奖励模型。类似于加权解码，我们的方法冻结了语言模型，并使用所谓的评论家操纵输出令牌分布，提高训练效率和稳定性。我们的方法上的三个控制生成任务，即主题控制，情绪控制和解毒的评估表明，我们的方法比以前的方法产生更多的连贯性和良好的控制文本。此外，CriticControl在zero-shot设置中展示了卓越的泛化能力。人体评估研究也证实了我们的发现。
2022-12-21 cs.CL
Look-back Decoding for Open-Ended Text Generation
University of Southern California（南加州大学）；Meta AI
本文提出改进的解码算法Look-back，利用Kullback-Leibler散度跟踪当前与历史解码步骤的分布距离，以预测并移除导致重复和话题漂移的词元，在文档续写和故事生成任务中显著提升了文本连贯性。
2023-10-23 cs.CL
A Multi-Stage Agentic Framework for Effective Counter-Narrative Generation and Refinement
Tel Aviv University（特拉维夫大学）；Waseda University（早稻田大学）
本文提出多阶段智能体框架，通过试点实验和多智能体迭代优化生成反叙事，经人类验证和自动化安全分析，证明其能降低亲俄叙事强度并优于基线，为反仇恨言论提供可扩展方案。
2026-09-15 cs.CL cs.CY cs.SI
Crash Narrative-Guided Countermeasure Recommendation Using Large Language Models: A Retrieval-Augmented Generation Framework for Intersection Safety
University of Central Florida（中佛罗里达大学）
提出一种碰撞叙事引导的检索增强生成框架，利用大语言模型将非结构化碰撞叙事转化为交叉口安全对策建议，在佛罗里达州数据上实现0.82的F1分数，验证了其可解释性和可扩展性。
2026-09-16 cs.CL cs.LG
COINS: Dynamically Generating COntextualized Inference Rules for Narrative Story Completion
Research Training Group AIPHES（AIPHES研究培训小组）；Heidelberg University（海德堡大学）
尽管最近大型预训练语言模型在解决推理任务方面取得了成功，但它们的推理能力仍然不透明。我们认为，这样的模型可以通过显式地生成临时推理规则，并使用它们来指导特定于任务的文本输出的生成，使其更具可解释性。在本文中，我们提出了COINS，一个递归推理框架，i）迭代地读取上下文语句，ii）动态生成上下文推理规则，对它们进行编码，iii）使用它们来指导特定于任务的输出生成。我们将COINS应用于叙事故事完成任务，该任务要求模型完成一个缺少句子的故事，以产生一个具有合理逻辑连接，因果关系和时间依赖性的连贯故事。通过在循环模型中模块化推理和句子生成步骤，我们的目标是使推理步骤及其对下一个句子生成的影响透明。我们的自动和手动评估表明，该模型生成的故事句子比SOTA基线更好，特别是在连贯性方面。我们进一步证明了在生成常识推理规则方面比强预训练LM的性能有所提高。COINS的递归性质具有控制生成更长序列的潜力。
2021-06-04 cs.AI cs.CL
Can LLMs Generate Good Stories? Insights and Challenges from a Narrative Planning Perspective
Autodesk Research（Autodesk研究院）
该研究从叙事规划视角出发，构建基于文学案例的评估基准检验LLM的故事生成能力，发现GPT-4级LLM可生成小规模因果合理的故事，但角色意图与冲突规划仍有难度，为相关应用提供了参考。
2025-06-11 cs.AI cs.CL
