How LLMs Build Fictional Worlds: Setting and Narrative Space in AI-Generated Creative Storytelling
FAU Erlangen-Nürnberg(埃尔朗根-纽伦堡大学);Munich Center for Machine Learning(慕尼黑机器学习中心);LMU München(慕尼黑大学);Institute of AI for Health, Helmholtz Zentrum München(慕尼黑亥姆霍兹中心人工智能健康研究所);University of Birmingham(伯明翰大学)
本文对比GPT 4.1等四款LLM与人类创作小说的叙事空间分布,发现LLM过度生成侧重氛围的感知空间,与人类侧重角色环境互动的动作空间存在持续差异,且差异兼具模型特异性与语言敏感性。
2026-09-03 cs.CL
Is Imagination Derived from Hallucination? A Cross-Taxonomy Evaluation of Imagination and Hallucination in Large Language Models
City University of Hong Kong(香港城市大学);Northwestern Polytechnical University(西北工业大学);The Hong Kong University of Science and Technology(香港科技大学);The Hong Kong Polytechnic University(香港理工大学)
本文提出Whiteboard基准,交叉评估LLM的想象力与幻觉,发现两者多数子类型呈负相关,挑战了二者同源的观点。
2026-09-22 cs.CL
Improving Diversity in LLM Short Story Generation
University College London(伦敦大学学院)
针对LLM生成短篇故事缺乏多样性的问题,提出DivLM后训练框架,通过持续预训练和强化学习提升体裁、语气、风格和命名实体多样性,平均提高多样性指标超9%。
2026-10-30 cs.CL
QUIET: A Multi-Blank Cascaded Story Cloze Benchmark for LLM Creative Generation Capability
提出QUIET基准,通过多空白级联故事完形填空和基于信息论的自动评分协议,客观评估大语言模型的创意生成能力。
2026-05-25 cs.AI 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
GROVE: A Retrieval-augmented Complex Story Generation Framework with A Forest of Evidence
National University of Defense Technology(国防科技大学)
本文提出检索增强故事生成框架GROVE,通过构建检索库生成少样本示例并设计“追问为什么”提示方案提取证据森林,将最契合的证据链整合至故事中,有效提升了生成故事的复杂性与可信度。
2023-10-24 cs.CL
Rewarding Creativity: A Human-Aligned Generative Reward Model for Reinforcement Learning in Storytelling
Alibaba Group(阿里巴巴集团)
本文提出了一种人类对齐的生成奖励模型和强化学习框架,用于提升故事创作的质量和稳定性。
2026-01-12 cs.AI cs.CL
Little Red Riding Hood Goes Around the Globe:Crosslingual Story Planning and Generation with Large Language Models
Google(谷歌)
本文提出带规划的跨语言故事生成新任务并构建数据集,利用大语言模型生成多语言故事,发现三幕结构规划能提升叙事连贯性与趣味性,并实现显式内容控制。
2024-03-25 cs.CL
Unveiling Intrinsic Dimension of Texts: from Academic Abstract to Creative Story
本研究针对大语言模型分析中文本内在维度的决定因素不明的问题,结合交叉编码器、语言学特征与稀疏自编码器开展分析,明确了内在维度的特性、体裁分层规律与因果影响特征,为内在维度的应用与解读提供指导。
2025-11-19 cs.AI cs.CL cs.LG
LLMs Exhibit Significantly Lower Uncertainty in Creative Writing Than Professional Writers
McGill University(麦吉尔大学)
本文研究了LLM在创造性写作中相较于专业作家的不确定性问题,发现模型输出的不确定性显著低于人类,提出需新的对齐方法以提升创造性写作质量。
2026-10-06 cs.CL
Help Me Write a Story: Evaluating LLMs' Ability to Generate Writing Feedback
Google DeepMind(谷歌DeepMind)
本文通过构建包含1,300个故意引入写作问题的故事测试集及评估框架,研究大语言模型生成写作反馈的能力,发现模型能提供具体且大多准确的反馈,但常无法识别最大写作问题并正确区分批评性与正面反馈的时机。
2025-07-21 cs.CL
Evaluating LLM Story Generation through Large-scale Network Analysis of Social Structures
Soka University of America(索卡大学)
针对LLM故事创作能力评估难以规模化的问题,提出基于带符号角色网络分析的可扩展评估方法,通过对四款主流LLM及人类语料共1200余个故事的对比,验证了方法有效性并发现LLM生成故事存在紧密正向关系偏好。
2025-10-21 cs.CL cs.LG
CS4: Measuring the Creativity of Large Language Models Automatically by Controlling the Number of Story-Writing Constraints
University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校);Amazon(亚马逊公司)
本研究提出新型基准CS4,通过调整故事写作提示的约束数量控制明确度,无需人工标注即可间接衡量大语言模型的创造力,实验揭示了不同模型的创造力表现差异及人类反馈学习的作用局限。
2024-10-05 cs.CL
Scaling Long-Form Story Generation via Narrative State Tracking
Tsinghua University(清华大学)
本文提出NstAgent,一种无需训练的智能体框架,通过跟踪结构化叙事状态,实现从10K到100K字的长篇故事生成,提升叙事一致性与写作质量。
2026-09-29 cs.CL
Style over Story: Measuring LLM Narrative Preferences via Structured Selection
School of Digital Humanities and Computational Social Sciences, KAIST(数字人文与计算社会科学学院,韩国科学技术院)
通过结构化选择实验测量大语言模型的叙事偏好,发现模型在风格优先于叙事内容方面表现一致,且风格偏好稳定,而内容元素则存在模型间差异和指令敏感性。
2026-04-20 cs.CL
SCORE: Story Coherence and Retrieval Enhancement for AI Narratives
UCB(加州大学伯克利分校);UMN(明尼苏达大学);UESTC(电子科技大学);Emory(埃默里大学);UofT(多伦多大学);WUSTL(华盛顿大学);NJU(南京大学);XDU(西安电子科技大学);ByteDance(字节跳动);Baidu(百度);UofWarwick(沃里克大学);UofGlasgow(格拉斯哥大学);AMA(美国医学协会);Google(谷歌);SCU(四川大学);THU-SZ(清华大学深圳研究院);Amazon(亚马逊);PKU(北京大学)
提出SCORE框架,通过追踪关键物品状态、生成剧集摘要并利用RAG方法识别相关剧集,有效检测并解决叙事不一致问题,显著提升了AI生成故事的连贯性与稳定性。
2025-09-17 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
Envisioning Narrative Intelligence: A Creative Visual Storytelling Anthology
University of Washington(华盛顿大学);DEVCOM Army Research Laboratory(美国陆军作战能力发展司令部陆军研究实验室)
该研究收集100篇即兴视觉故事构建的作品,分析得出五大创作差异主题,并据此提出计算视觉故事讲述的叙事智能五大标准,为自动故事生成的训练数据收集与发展提供参考。
2023-10-06 cs.CL
Spoiler Alert: Narrative Forecasting as a Metric for Tension in LLM Storytelling
McGill University(麦吉尔大学);University of Chicago(芝加哥大学);University of British Columbia(不列颠哥伦比亚大学);Duke University(杜克大学)
本文提出100-Endings度量衡,通过句级预测故事结局来衡量叙事紧张感,提升LLM故事生成的紧张度并优于现有评估标准。
2026-10-06 cs.CL
Generating Constructive Feedback on Stories via Reinforcement Learning
Leibniz University Hannover(汉诺威莱布尼茨大学);L3S Research Center(L3S研究中心)
该研究针对LLM生成反馈泛化、缺乏可操作性的问题,提出基于GRPO强化学习的方法,在三个故事语料库评估中优于Gemini等模型,证实可操作建议是反馈建设性的核心驱动。
2026-09-07 cs.CL
CoKe: Customizable Fine-Grained Story Evaluation via Chain-of-Keyword Rationalization
University of Southern California(南加州大学);Amazon AGI Foundations(亚马逊AGI基础研究部);University of Massachusets Amherst(马萨诸塞大学阿默斯特分校)
针对创意文本评估中自洽性推理的目标错配问题,提出先生成关键词再生成理据的CoKe方法,在StoryER数据集上以小模型实现超GPT-4的人类级评估性能且参数量更低。
2025-03-21 cs.CL
StoryBox: Collaborative Multi-Agent Simulation for Hybrid Bottom-Up Long-Form Story Generation Using Large Language Models
本文提出混合自底向上长篇故事生成方法,利用多智能体模拟生成超过10000字的连贯故事,通过智能体交互产生有机情节发展,优于传统自顶向下的结构化方法。
2026-03-19 cs.CL cs.MA
StorySpark: Module-wise Evolutionary Search for Story Premise Generation
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Renmin University of China(中国人民大学);Shandong University(山东大学);Institute of Deep Perception Technology, JITRI(JITRI深度感知技术研究院)
针对LLM故事生成中前提构思不足的问题,提出StorySpark模块级进化搜索框架,通过优化叙事模块生成更优质的故事前提,提升下游故事质量与创意性。
2026-08-14 cs.AI cs.CL
A Confederacy of Models: a Comprehensive Evaluation of LLMs on Creative Writing
Universidade da Coruña(拉科鲁尼亚大学);CITIC(中信);University of the Sunshine Coast(阳光海岸大学)
本研究评估了多种大型语言模型在创意写作上的表现,发现商业模型接近人类水平,开源模型落后,人类在创造力上仍具优势,幽默感呈现分化。
2023-10-12 cs.CL cs.CY
Adaptive Decoding via Latent Preference Optimization
FAIR at Meta(Meta FAIR研究院);ETH Zürich(苏黎世联邦理工学院)
提出Adaptive Decoding层与LPO方法,在推理时动态选择采样温度以优化语言模型性能,在多种任务上超越固定温度解码。
2024-11-14 cs.CL
Avoidance Decoding for Diverse Multi-Branch Story Generation
Seoul National University(首尔国立大学)
针对大语言模型故事生成内容重复单调的问题,提出自适应平衡概念级与叙事级相似度惩罚的回避解码策略,显著提升输出多样性、降低重复率并缓解文本退化,还证实其能激活更多神经元以利用模型内在创造力。
2025-09-03 cs.AI cs.CL
The GPT-WritingPrompts Dataset: A Comparative Analysis of Character Portrayal in Short Stories
University of Toronto(多伦多大学);Vector Institute(矢量研究所);Dalhousie University(达尔豪斯大学)
为理解AI生成故事与人类故事的差异,该研究用GPT-3.5生成的故事扩充Reddit WritingPrompts数据集,从六个维度比较两者情感与描述特征,发现所有维度均存在显著差异且在叙事视角和主角性别分组下有相似偏见,并公开了数据集和代码。
2024-11-25 cs.CL
POLARIS: Guiding Small Models to Write Long Stories
University of Maryland(马里兰大学);Google(谷歌);DeepMind(深Mind)
提出POLARIS训练方法,结合LLM裁判奖励和人类参考注入,使9B小模型在长故事写作中达到与27B模型相当的质量,并展现出长度泛化能力。
2026-09-01 cs.AI cs.CL
CreativeInstruct: Scalably Teaching LLMs to Balance Quality, Creativity, and Diversity
Columbia(哥伦比亚大学);UNC Chapel Hill(北卡罗来纳大学教堂山分校);University of Texas at Austin(德克萨斯大学奥斯汀分校)
该研究提出CreativeInstruct指令调优方法,通过注入[StartCreativity]跨度平衡LLM的质量、创造性与多样性,其在叙事生成中表现更优,还能提升强化学习任务性能。
2026-08-10 cs.AI cs.CL
Automated Creativity Evaluation for Large Language Models: A Reference-Based Approach
University of Science and Technology of China(中国科学技术大学);MetastoneTechnology(metastone技术)
针对LLM创造力评估难题,本文提出基于TTCW的参考式李克特评分方法,将生成文本与高质量参考对比,显著提升与人类评估的一致性,成对准确率达0.75(+15%)。
2025-04-22 cs.AI cs.CL
Enhancing Creativity in Large Language Models through Associative Thinking Strategies
MindAntix(明安替克斯公司);University of California Los Angeles(加州大学洛杉矶分校);Microsoft(微软公司)
本研究探索联想思维策略对大语言模型创造力的提升作用,针对vGPT-4在三个领域开展创意任务实验,证实该技术可显著提升其回复原创性,为LLMs创意能力增强提供新路径。
2024-05-09 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
Future Sight: Dynamic Story Generation with Large Pretrained Language Models
University of Waterloo(滑铁卢大学)
深度学习研究的最新进展,如Transformers,增强了自动代理生成类似于人类所写的创造性文本的能力。默认情况下,Transformer解码器只能根据先前生成的文本生成新文本。在任何位置的候选标记的输出分布的条件下,先前选择的标记使用自我注意力机制,以模仿自回归的属性。这在本质上限制了诸如可控故事生成之类的任务,在可控故事生成中,在编写故事时可能需要以未来的情节事件为条件。在这项工作中,我们提出了Future Sight,这是一种在未来条件反射任务上微调预训练生成Transformer的方法。Transformer解码器通常通过自我注意力的方式预先训练完成上下文的任务,一次一个令牌。Future Sight还使解码器能够关注编码的未来情节事件。这促使解码器以逻辑上以所提供的未来结束的方式扩展上下文。在推理过程中,未来的情节事件可以由人类作者编写,以引导叙事在某个方向上生成。我们评估我们的方法的功效与人类评估的故事生成任务。
2022-12-20 cs.AI cs.CL cs.LG
What Shapes a Creative Machine Mind? Comprehensively Benchmarking Creativity in Foundation Models
Georgia Institute of Technology(佐治亚理工学院);Rutgers University(罗格斯大学);University of Illinois Chicago(伊利诺伊大学香槟分校)
针对现有基础模型创造力评估框架零散、缺乏理论依据的问题,提出基于社会科学U-O-S标准、区分聚合与发散创造力的C^2-Eval基准,实验分析了主流模型的创造能力权衡,为创意AI研究提供有效评估工具。
2025-10-05 cs.AI cs.CL
TaleFrame: An Interactive Story Generation System with Fine-Grained Control and Large Language Models
the College of Computer Science and Technology, Zhejiang University of Technology(浙江工业大学计算机科学与技术学院);Zhejiang Key Laboratory of Visual Information Intelligent Processing(浙江省视觉信息智能处理重点实验室)
TaleFrame通过结合大型语言模型和人机交互技术,实现对故事生成过程的细粒度控制,提供结构化框架和直观界面,使用户能够创建、编辑并迭代优化故事内容。
2025-12-02 cs.CL cs.HC
COMPASS: a Creative Support System that Alerts Novelists to the Unnoticed Missing Contents
The University of Tokyo(东京大学);RIKEN(理化学研究所)
当人类书写时,他们可能会无意中遗漏一些信息。使用计算机补充省略的信息有助于提供写作支持。最近,在故事理解和生成领域,故事补全(SC)被提出来生成不完整故事的缺失部分。虽然它的适用性是有限的,因为它需要用户有一个故事的缺失部分的先验知识,缺失位置预测(MPP)可以用来补偿这个问题。MPP的目标是预测缺失部分的位置,但仍然需要“缺一句”的前提知识。在这项研究中,我们提出了变量MPP(VN-MPP),一个新的MPP任务,消除了这一限制,也就是说,任务预测多个缺失的句子或判断是否有没有缺失的句子摆在首位。我们还提出了两种方法,这个新的MPP任务。在此基础上,我们开发了一个基于新任务和新方法的创造性写作支持系统COMPASS。一个用户实验的结果,涉及专业创作者写的文本在日本证实了开发的系统的有效性和实用性。
2022-02-26 cs.CL
Narrative Flattening: How Post-Training Compresses Thematic, Affective, and Stylistic Variation in LLM Fiction
Knowledge Lab, University of Chicago(芝加哥大学知识实验室)
通过对比四个OLMo 32B检查点(Base、SFT、DPO、RLVR)在三种故事领域中的续写,发现后训练压缩了主题动态、情感强度和语言多样性,导致叙事扁平化,且专业文学领域压缩最严重。
2026-09-09 cs.CL
Echoes in AI: Quantifying lack of plot diversity in LLM outputs
Microsoft Research(微软研究院)
本研究针对大语言模型故事生成的情节多样性不足问题,提出Sui Generis自动评分指标量化情节独特性,验证了LLM生成内容存在跨模型、跨批次的情节重复现象,且该指标与人类惊喜度判断呈中等相关。
2025-08-29 cs.CL
Computational Storytelling and Emotions: A Survey
The University of Tokyo(东京大学);RIKEN(理化学研究所)
讲故事一直是人性的重要组成部分。自古以来,人类就将故事用于娱乐、广告和教育等多种目的。研究人员和创作者进行了各种分析,以确定制作好故事的方式。故事和情感之间的深层关系就是一个很好的例子。随着深度学习技术的进步,人们期望计算机能够理解并生成故事。本文旨在总结和进一步促进正在进行的故事和情感之间的关系的研究的发展。我们认为创造力研究不是用计算机取代人类,而是要找到一种人与计算机之间的协作方式来增强创造力。为了在计算叙事研究和人类创造性写作之间建立一个新的交叉点,我们介绍了专业叙事者使用的创造性技术。
2022-05-23 cs.CL
A Platform for Interactive AI Character Experiences
ETH Zurich(苏黎世联邦理工学院)
本文提出一个平台,用于创建可信的交互式AI角色,通过整合多种AI技术,实现故事驱动的对话体验。
2026-01-03 cs.AI cs.CL cs.GR
Evaluation Framework for AI Creativity: A Case Study Based on Story Generation
Graduate School of Informatics(信息科学研究生院);Kyoto University(京都大学)
本文提出了一种评估AI故事生成创造力的框架,通过实验发现创造力评估是分层而非累积的,且反思性评估能显著影响评分和一致性。
2026-01-07 cs.CL
Beyond Direct Generation: A Decomposed Approach to Well-Crafted Screenwriting with LLMs
Alibaba Group(阿里巴巴集团);Peking University(北京大学)
本研究提出双阶段细化框架,通过分解生成方法提升LLM在剧本创作中的表现,实现高质量剧本生成。
2026-01-07 cs.AI cs.CL
On the Creativity of Large Language Models
University of Bologna(博洛尼亚大学);University College London(伦敦大学学院)
本文从创造力理论视角分析大型语言模型(LLMs)的创造性,围绕博登提出的价值、新颖性等维度及经典视角探讨机器创造力的难易问题,并考察其对创意产业的社会影响与风险。
2025-02-13 cs.AI cs.CL cs.CY
FairyTailor: A Multimodal Generative Framework for Storytelling
IBM Research(IBM研究院);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
讲故事是一项开放式的任务,需要创造性思维,需要不断的想法。用于讲故事的自然语言生成(NLG)尤其具有挑战性,因为它要求生成的文本遵循整体主题,同时保持创造性和多样性以吸引读者。在这项工作中,我们介绍了一个系统和一个基于Web的演示,FairyTailor,人在循环的视觉故事共同创作。用户可以创建一个有凝聚力的儿童童话编织生成的文本和检索图像与他们的输入。FairyTailor增加了另一种模态,并修改了文本生成过程,以生成连贯和创造性的文本和图像序列。据我们所知,这是第一个动态的多模态故事生成工具,允许文本和图像的交互式共同形成。它允许用户对共同创建的故事提供反馈并分享他们的结果。
2021-07-13 cs.AI cs.CL cs.CV
IVIE: A Neuro-symbolic Approach to Incremental and Validated Generation of Interactive Fiction Worlds
Instituto de Computación, Facultad de Ingeniería, Universidad de la República(乌拉圭共和国大学工程学院计算机研究所)
提出IVIE神经符号方法,结合LLM的创造力与符号验证的连贯性,通过四阶段增量生成管道构建可玩的交互式小说世界,人类评估显示其生成沉浸式、主题连贯的世界,平衡了灵活性与叙事一致性。
2026-06-12 cs.AI cs.CL
Narrative Keyframing for Generative Creative Writing
Cornell University(康奈尔大学)
该研究提出叙事关键帧技术,作为AI辅助创意写作的交互方法,通过三种关键帧类型实现对生成文本的精细控制,经用户研究验证其可控性、透明性与趣味性更优。
2026-08-12 cs.AI cs.CL cs.HC
Visualize Before You Write: Imagination-Guided Open-Ended Text Generation
UC Santa Barbara(加州大学圣巴巴拉分校);UC San Diego(加州大学圣地亚哥分校);UC Santa Cruz(加州大学圣克鲁兹分校)
文本到图像合成的最新进展使得在给定的上下文中可视化机器想象成为可能。另一方面,在生成文本时,人类作家擅长创造性的视觉化,这通过在将故事写下来之前形成想象力作为蓝图来增强他们的写作。受这样一个认知过程的启发,我们提出了一个自然的问题,即我们是否可以赋予机器同样的能力来利用视觉信息,并构建一个上下文的总体图像来指导文本生成。在这项工作中,我们提出了iNLG,使用机器生成的图像来指导开放式文本生成中的语言模型。实验和分析表明,在开放式文本生成任务,包括文本完成,故事生成,概念到文本生成在Few-Shot和全数据场景的有效性。自动度量和人工评估都验证了我们的iNLG生成的文本片段是连贯的和信息丰富的,同时显示轻微的退化。
2023-02-15 cs.AI cs.CL
A guided journey through non-interactive automatic story generation
Instituto de Telecomunicações (IT-IUL)(电信研究所(IT-IUL));Instituto Universitário de Lisboa (Iscte-IUL)(里斯本大学学院(Iscte-IUL))
我们提出了一个非交互式计算故事生成的文献调查。本文首先介绍了创造性系统的要求,三种类型的创造力模型(计算,社会文化和个人),以及人类创造性写作的模型。然后,它回顾了每一类的故事生成方法取决于所使用的技术:故事模式,类比,规则,规划,进化算法,隐式知识学习,和显式知识学习。在结论部分之前,本文分析了评论工作对提高生成故事质量的贡献。这一分析涉及故事人物的描述,叙事知识的使用,包括关于人物可信度,以及可能缺乏更全面或更详细的知识或创造力模型。最后,本文提出了结论性意见的形式,建议的研究课题,可能有重大影响的先进的自主非交互式故事生成系统的状态。最后,文章认为,主体思想的自主生成和采纳以及创意保障标准的自主设计可能是未来研究的两个重要课题。
2021-10-08 cs.AI cs.CL
Conveying the Predicted Future to Users: A Case Study of Story Plot Prediction
Pennsylvania State University(宾夕法尼亚州立大学);GumGum Inc.(GumGum 公司);Intel Corporation(英特尔公司)
创造性写作很难:小说家每天都在与作家的障碍作斗争。虽然自动故事生成最近取得了进展,但它被视为推进人工智能而不是帮助人们的“玩具任务”。在本文中,我们创建了一个系统,产生一个简短的描述,叙述了一个预测的情节,使用现有的故事生成方法。我们的目标是帮助作家制作一个一致的和令人信服的故事弧。我们在Amazon Mechanical Turk(AMT)上进行了实验,以检查生成的故事情节在一致性和故事性方面的质量。结果表明,我们的框架增强GPT-2(FGPT-2)产生的简短描述被评为所有模型中最一致和最具故事性的; FGPT-2的输出甚至击败了人类编写的一些随机故事片段。接下来,我们使用故事延续任务进行了初步的用户研究,AMT工作人员可以访问机器生成的故事情节,并被要求撰写后续故事。FGPT-2可能会对写作过程产生积极影响,尽管人们更喜欢其他基线。我们的研究揭示了未来创造性写作支持系统的可能性超出了完成句子的范围。我们的代码可在https://github.com/appleternity/Story-Plot-Generation上获得。
2023-02-17 cs.CL cs.HC
Contextualized Scene Imagination for Generative Commonsense Reasoning
University of Southern California(南加州大学);Information Sciences Institute, University of Southern California(南加州大学信息科学研究所);University of California, San Diego(加州大学圣地亚哥分校)
人类使用自然语言将环境中的常见概念组成合理的日常场景描述。然而,这种生成式常识推理(GCSR)技能缺乏国家的最先进的文本生成方法。关于神经文本生成模型生成的任意概念的描述性句子(例如,预训练的文本到文本Transformers)通常在语法上流畅,但可能不符合人类常识,这主要是由于它们缺乏捕获概念关系、识别隐式概念以及对看不见的概念组合执行可概括推理的机制。在本文中,我们提出了一个想象和言语化(I&V)的方法,学习想象一个关系场景知识图谱(SKG)与输入概念之间的关系,并利用SKG作为一个约束时,生成一个合理的场景描述。我们收集和协调一组来自不同领域和模态的知识资源,为I& V提供了丰富的辅助监督信号。实验证明了I&V在改进语言模型的概念到句子和概念到故事生成任务方面的有效性,同时使模型能够从更少的任务示例中学习并生成对人类注释者来说具有常识的SKG。
2022-03-07 cs.CL
Hierarchical Neural Story Generation
Facebook AI Research(Facebook人工智能研究(Facebook AI Research));Menlo Park(门洛帕克(注:这里Menlo Park是城市名,根据上下文推断可能是该机构所在地,严格按提取规则,若仅为城市名不应提取,但此处原文“Affiliation: Facebook AI Research, Menlo Park”结构上可能将Menlo Park作为机构的一部分描述,不过从机构粒度和禁止提取城市名来看,主要机构应为Facebook AI Research,Menlo Park为城市,可能是笔误或额外信息,需确认。但根据用户提供的HTML文本,明确的机构名是Facebook AI Research,所以只提取这个。因此正确应为[{)
我们探索故事生成:创造性的系统,可以建立连贯和流畅的文本段落关于一个主题。我们收集了30万个人类撰写的故事的大型数据集,并与在线论坛的写作提示相匹配。我们的数据集支持分层故事生成,其中模型首先生成前提,然后将其转换为一段文本。我们获得了进一步的改进与一种新的形式的模型融合,提高了相关的故事的提示,并添加了一个新的门控多尺度自我注意力机制模型的远程上下文。实验表明,在自动化和人工评估方面,强基线都有很大的改进。人类法官更喜欢由我们的方法生成的故事,而不是那些来自强大的非层次模型的故事,比例为2比1。
2018-05-13 cs.CL
STORYTELLER: An Enhanced Plot-Planning Framework for Coherent and Cohesive Story Generation
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Chinese Academy of Sciences(中国科学院大学);UNSW Sydney(新南威尔士大学);Chongqing University(重庆大学)
本文提出Storyteller框架,通过基于SVO三元组的情节节点结构以及STORYLINE和叙事实体知识图谱两个动态模块,系统提升自动生成故事的连贯性与一致性,实验显示其平均胜率达84.33%。
2025-06-03 cs.CL
Story Generation from Sequence of Independent Short Descriptions
IBM Research India(IBM印度研究院)
现有的自然语言生成(NLG)系统是弱AI系统,并且当语言生成任务需要更高水平的创造性、独创性和简洁性时,表现出有限的能力。不幸的是,有效的解决方案,或者至少对现代NLG范式进行评估,以完成这些创造性任务,一直是难以捉摸的。本文介绍和解决的任务连贯的故事生成从独立的描述,描述一个场景或事件。为此,我们沿着两种流行的文本生成范式进行探索-(1)统计机器翻译(SMT),将故事生成视为翻译问题,以及(2)深度学习,将故事生成视为序列到序列学习问题。在SMT中,我们选择了两种流行的方法,如基于短语的SMT(PB-SMT)和基于语法的SMT(SYNTAX-SMT)的“翻译”不连贯的输入文本到故事。然后,我们实现了一个深度递归神经网络(RNN)架构,该架构将可变长度的输入描述序列编码为相应的潜在表示,并对其进行解码,以生成格式良好的综合故事摘要。在一个公开的数据集上,借助流行的机器翻译和摘要评价指标,证明了所提出的方法的有效性。
2017-08-21 cs.CL
Crafting Narrative Closures: Zero-Shot Learning with SSM Mamba for Short Story Ending Generation
University of Michigan(密歇根大学)
本文提出了一种基于给定提示补全短篇故事结局的AI工具,利用预训练GPT-3.5模型和微调SSM-Mamba模型进行零样本文本生成,并在多项指标上表现良好,同时开源了首个用于故事生成的状态空间模型。
2024-10-04 cs.AI cs.CL