作者：
（1） Prerak Gandhi，印度理工学院孟买分校计算机科学与工程系，[email protected]，上述作者对本文的贡献相同；
（2）Vishal Pramanik，印度理工学院孟买分校计算机科学与工程系，vishalpramanik，[email protected]，上述作者对本文的贡献相同；
（3） Pushpak Bhattacharyya，印度理工学院孟买分校计算机科学与工程系
链接表
3.相关工作
3.1. 自动故事生成
神经模型已经能够通过调节不同的内容（如视觉效果（Huang 等人，2016 年）和简洁的文本描述（Jain 等人，2017 年））来创作故事。关于情节可控、计划驱动的故事生成的研究比比皆是（Riedl 和 Young，2010 年；Fan 等人，2019 年；Pérez 和 Sharples，2001 年；Rashkin 等人，2020 年）。一种相关的工作是基于关键词或描述的自动诗歌生成（Yan，2016 年；Wang 等人，2016 年）。
3.2. 绘图生成
Plot Machines（Rashkin 等人，2020 年）根据一些大纲短语生成多段故事。Fan 等人（2018 年）引入了一个分层的序列到序列融合模型来生成前提和条件，进而生成最多 1000 个单词的故事。与我们的工作不同，这项工作是非神经和模板驱动的，因此与我们生成的内容相比，它的创造性和新颖性要差得多。
3.3. 场景生成
自动场景或脚本生成受到的关注相对较少。对话生成（Li 等人，2016 年；Huang 等人，2018 年；Tang 等人，2019 年；Wu 等人，2019 年）与场景生成类似，已经完成。最近有一些工作侧重于借助叙述来引导对话（Zhu 等人，2020 年）。我们生成的场景的主要元素来自一个小提示作为输入。
