叙事生成方法研究综述

诸 峰，曹存根

(1. 中国科学院 计算技术研究所 智能信息处理重点实验室，北京 100190；2. 中国科学院大学，北京 100049)

1 引言

叙事在人类生活中无处不在，它是人们将各种经验组织成有现实意义的事件的基本方式，是人们传递信息、交流感情、娱乐和教育的重要手段。叙事的范围很广泛，一部小说、一个故事、一首诗歌、一部电影或一段对话等都可以称之为叙事，本文所讨论的叙事主要是指由事件组成的具有一定情节的故事。所谓叙事生成，指的是利用计算机根据用户需求，生成并讲述个性化的叙事，使计算机能够在一定程度上模拟人类的叙事能力，其表现形式不仅仅局限于文本，也可以是图片、动画或影片等。研究叙事生成，有助于我们解释和理解人类的认知、学习、创作、交流等高级智能，也有助于更好地满足人们生活娱乐、教育培训等不断增长的应用需求。

国外研究者对叙事生成的研究起步较早，早在上世纪70年代，耶鲁大学的Schank和Abelson就使用目标、规划和脚本研究叙事文本的理解，并提出了理解叙事文本的可计算模型[1]。1976年，美国加州大学计算机与信息科学系教授Meehan开发了世界上第一个自动故事生成系统Tale-Spin，该系统中包含一些事先给定的故事人物，每个人物都有自己的目标和对其他人物的态度，在生成故事的过程中，每个人物不断尝试可以达到自身目标的操作，并对故事世界的变化做出反应，从而生成类似于伊索寓言类的故事[2]。1990年，Davis和Travers在麻省理工学院媒体实验室组织了一个讨论班，探讨文学理论和人工智能交叉领域的一些问题，叙事智能(Narrative Intelligence)这一概念由此产生[3]。进入21世纪，叙事生成研究更是得到了飞速的发展，产生了一些具有深远影响的叙事生成系统，如以角色为中心的Oz[4]、Interactive Storytelling[5]等叙事系统和以作者为中心的Façade[6]、Fabulist[7]等叙事系统。相比之下，国内在叙事生成方面的研究比较薄弱，相关工作主要集中于两个方面，一是研究古诗词的计算机辅助创作与分析，如北京大学计算语言研究所与中国台湾元智大学等单位合作开发的“古代诗词计算机辅助研究系统”[8]。厦门大学的周昌乐教授提出了“计算诗学”这一概念，并对基于统计抽词和格律的全宋词切分语料库开展了研究[9]。此外，清华大学和微软亚洲研究院何晶、周明等人研究从已有的古今名诗中自动学习作诗知识，实现了一个中文格律诗的自动生成系统[10]。另一方面的工作是研究叙事和动画的自动生成，如中国科学院数学与系统科学研究院陆汝钤院士领导开发的全过程计算机辅助动画自动生成系统——天鹅[11]。中国科学院计算所曹存根研究员领导的研究小组研制的一种基于情节、角色和观众三位一体的计算机叙事和动画自动生成系统，称为PNAI(A Platform for Narrative and Animation Intelligence)[12-14]。另外，中国科学院自动化研究所的黄泰翼研究员研究了基于用户模型和文本规划方法的问答系统中文本的自动生成技术[15]。目前，叙事生成技术已经初步应用于教育、事务处理、生活娱乐等领域。不仅如此，该技术还在虚拟社会、智能仿真等领域具有广泛的应用前景，但是由于现有方法的局限性，要满足这些领域的实际需求还需要进行大量的理论和实践研究。

通过对相关文献的阅读、整理和分析，我们发现叙事生成是一个涉及计算机科学、心理学、社会学、语言学、数学等多学科交叉的复杂问题。在计算机科学领域，主要是利用人工智能、自然语言处理、计算语言学中的相关理论和方法来研究叙事生成，这些理论和方法包括知识表示与推理、智能规划、智能多主体系统、情感计算、对话系统、自然语言理解和自然语言生成等。从研究方法和技术路线上，目前的叙事生成方法主要包括基于智能规划的方法、基于常识与知识本体的方法、基于故事文法的方法等。在具体分析叙事生成方法前，我们先介绍一下叙事生成的处理过程，以便读者对叙事生成的相关概念有一个初步的认识。

2 叙事生成的处理过程

现有工作将叙事生成的处理过程分为创作需求获取、叙事情节规划和叙事内容合成三个部分，如图1所示：

图1 叙事生成处理过程

首先是创作需求获取，可采用两种方法，一种方法是直接写创作需求脚本，这种方法适合对脚本熟悉的专业用户；另一种方法是面向普通用户，采用向用户提问的方式获取创作需求，提问内容包括叙事中人物、场景、物体的各项属性。以人物为例，相关属性有人物的生理属性，如性别、年龄、容貌、性格等；认知属性，如目标、信念等；心理属性，如态度、情绪等；社会属性，如身份、规范、人物关系、婚姻状况等；物理属性，如人物所处位置等。此外，还包括创作目标和创作意图的定义，其中创作目标定义了叙事结束时人物、场景或物体的相关属性，创作意图定义了叙事过程中会发生的一些事件，是对叙事情节的一种控制，对这一概念的进一步了解可参考文献[16]。创作需求中各项属性以谓词的形式进行表示，在获取创作需求时，还可以利用缺省逻辑定义相关的缺省规则，从而减少用户的输入操作。根据用户对相关问题的回答，自动将这些回答转换为创作需求脚本的形式，下一步的处理是进行叙事情节的规划，即采用现有的智能规划方法，结合相关的创作知识约束，自动产生从初始状态到目标状态，满足时序和因果约束的事件序列。最后是叙事内容生成，它以情节规划输出的事件序列为输入，考虑如何将事件序列转换为自然语言形式的文本或动画、影片形式的媒体。

这里以marry-a-girl叙事中的一个简单片段为例，叙事生成的处理过程实例如图2所示。首先是创作需求获取，采用直接定义创作需求脚本的方法，其中inits表示初始状态的定义，(single Tom)表示汤姆是单身的，(loves Tom Mary)表示汤姆爱玛丽，(has Tom Money)表示汤姆有钱，and表示初始状态为这些谓词的合取。author_goal表示创作者目标，在该例中，目标为(married Tom Mary)，即如果汤姆和玛丽结婚，则叙事目标达到，叙事生成可以终止。author_intention表示创作意图，在该例中，sometime(lose Tom Wedding-Ring)表示叙事过程中某个时刻会发生“汤姆丢失婚戒”这样的事件。有了创作需求，就可以利用下面介绍的叙事规划方法产生情节的事件序列，在该例中，情节规划模块输出的事件序列为“购买(汤姆，婚戒)、丢失(汤姆，婚戒)、找到(汤姆，婚戒)、求婚(汤姆，玛丽)、结婚(汤姆，玛丽)”。有了情节片段后，再利用内容合成模块输出叙事，在这个例子中，简单的将叙事事件序列转换为相应的文本，叙事输出为：汤姆购买婚戒，汤姆丢失婚戒，汤姆找到了婚戒，汤姆向玛丽求婚，汤姆和玛丽结婚。

图2 marry-a-girl叙事生成处理过程实例

3 基于智能规划的叙事生成方法

智能规划是人工智能一个重要的领域，其研究起源于上世纪60年代。智能规划主要思想是对周围环境进行感知和分析，根据要实现的目标，对若干可供选择的动作及所提供的资源限制进行推理，综合制定出实现目标的规划。比较著名的规划系统是1971年Fikes和Nilsson设计的STRIPS系统[17]，它在智能规划的研究中具有重大的意义和价值。基于智能规划的叙事生成，其主要思想是将叙事生成问题表示为经典的规划问题。叙事的初始设定对应于规划中的初始状态，通常用一阶谓词来表示，如at(tom, home)，has(tom, ticket)。叙事中作者想要达到的目标对应于规划中的目标状态，如dead(Jack)，married(Tom,Jones)。叙事中各主体可以执行的动作以及环境中可以发生的事件对应于规划中的操作，如go(Tom,home,cinema), marry(Tom,Jones)。这样叙事生成问题就抽象成为在给定的一个领域，寻找一条从初始状态到目标状态，并满足一定顺序和因果约束的事件序列的规划问题。

基于智能规划的叙事生成方法被分为两类： 一类是以角色为中心的方法，另一类是以作者为中心的方法[18]。以角色为中心的方法采用智能主体理论，用多主体系统对叙事中的人物进行建模，为了满足主体自治的要求，每个叙事人物都从行为和心智(如情绪、信念、目标)等角度进行刻画。主体在虚拟的叙事世界中，为了达到某些设定的目标，会对身处的环境做出反应，并与其他主体进行交互，所有主体的行为结合在一起构成了叙事。其代表工作是英国蒂赛德大学IVE实验室的Cavazza领导开发的Interactive Storytelling系统[5, 19-20]，该系统以HTN(Hierarchical Task Network，层次式任务网络)规划方法为基础，通过人物的自主交互产生故事，并且可以将故事内容用动画形式直接表现出来。IS 的原型系统中，根据美国电视剧Friends(《六人行》)中“Ross 请Rachel 出去吃饭”这段内容定义了故事主线，并包含四个故事人物Ross、Rachel、Phoebe和Monica，每个故事人物的行为规划都事先用与或图的方法定义为HTN的形式，叙事的生成过程就是在与或图上选择一条能使人物目标实现的路径，并且用户可以在此过程中随时和系统进行交互，从而影响叙事的发展。

虽然利用HTN能有效地对叙事生成进行建模，但是也存在着一些不足。首先叙事中各人物的行为都是按照HTN事先分解好的，HTN的叶子节点，是叙事中人物可以执行的原子动作，这使得产生的叙事往往比较机械，叙事内容的可变性不强。其次，在叙事生成过程中，一个动作一旦执行失败，就需要回溯到覆盖该动作的子任务，这可能导致整个叙事的重新规划。为了弥补HTN方法在叙事生成中的不足，Pizzi、Charles等人使用HSP(Heuristic Search Planning，启发式搜索规划)方法对叙事生成进行建模，并开发了EmoEmma系统[21]，该系统使用HSP对每个角色要执行的动作和情绪进行规划。HSP方法的主要思想是将规划问题转化为状态空间上的路径搜索问题，同时设计启发式函数引导搜索，从初始状态到目标状态的路径对应于一条规划解。与HTN方法相比，利用HSP方法建模叙事支持更大的灵活性和更加多变的叙事情节[22]。

以作者为中心的方法把创作者看成是一个对叙事世界全知的主体，创作者能够根据当前叙事世界的状态决定人物的动作，从而从全局的角度规划出满足创作者目标的叙事。此类工作的代表是北卡罗来纳大学Young教授领导的Liquid叙事小组开发的基于POCL(Partial Order Causal Link，偏序因果链)规划算法的Fabulist叙事系统。POCL是一种区别于TOP(Total Order Planning，全序规划)的POP(Partial Order Planning，偏序规划)算法，其最大的特点是不要求规划中的所有事件都是有顺序约束的。为了使叙事中人物具有可信性，同时保证情节的一致性，Riedl和Young在POCL算法基础上提出了一种意图驱动的偏序因果规划器(IPOCL Planner)，除了满足情节发展的因果一致性外，能够根据叙事人物的目标对人物的意图进行推理，并通过人物动作和规划结构来解释叙事人物是如何实现其目标的[7, 23-24]。在IPOCL算法的基础上，Ware研究了叙事冲突的可计算模型，给出了叙事冲突的形式化定义，并将叙事冲突抽象为各个主体为实现其目标而进行的不同规划之间的冲突，提出了一种支持叙事冲突生成的规划算法CPOCL[25]。此外，为了使生成的叙事具有悬念等戏剧性效果，Cheong在POCL规划器所产生的事件序列基础上，引入读者悬念模型，从而产生带有悬念情节的叙事[26]。虽然基于POP叙事生成方法能够有效的对叙事进行建模，但是也存在着一些不足，由于POP是一种逐步求精(Refinement)并且遵循最小承诺(Least Commitment)的规划方法[27]，这使得在叙事生成过程中，一直到规划结束前，每一个步骤执行前后的世界状态都是未知的，这一不足使得我们无法利用叙事世界的状态信息来控制叙事的生成，从而限制了该方法在规划过程中产生具有特定戏剧效果的叙事。

总的来说，基于规划的方法已经被实践证明是一种有效的叙事生成方法，它不仅可以使生成的叙事具有较好的连贯性，而且可以将用于生成叙事的素材与生成控制的算法相分离，具有较好的灵活性。但是该方法也存在着一些局限性，如过于依赖初始状态和目标状态的定义，可能因为状态的定义而导致规划无法进行或产生无法理解的叙事结果。此外，现有的用于叙事生成的规划方法，如POP、HSP等都是一种领域无关的规划方法，在叙事规划过程中没有考虑与叙事领域相关的知识，这就导致了生成的叙事虽然也能保证情节的逻辑一致性和人物可信性，但是对于生成更加复杂和满足人类认知和理解的叙事，则显得能力不足。

4 基于常识和知识本体的叙事生成方法

在日常生活中，人们经常以讲故事的形式来共享生活体验和各类信息，在这一交互过程中，我们并不需要做太多思考就能够理解对方所分享的信息，这是因为我们拥有了大量关于事物、概念及其相互关系的常识。因此，要让机器具有与人类相同的表达和理解能力，机器也应当包含与人类同样多的关于世界中各类概念与关系的知识和常识。目前比较通用的常识知识本体系统主要有Open Mind[28]、Cyc[29]以及SUMO[30]等，此外Open Mind还提供了概念语义网络ConceptNet Toolkit供常识研究者使用[31]。基于常识和知识本体的叙事生成方法，其主要思想是利用已有的常识和知识本体表示叙事世界中的基本概念，包括作者目标、人物目标、人物情绪、对象、空间、事件、动作等，然后利用概念之间的语义关系，结合情节规划和语言生成，自动产生符合逻辑、满足认知的叙事。

MakeBelieve[32]是麻省理工学院媒体实验室Liu等人研究的基于Open Mind常识库的故事生成系统，该系统从OMCS(Open Mind Common Scene)知识库中抽取出9 000条描述因果关系的句子，然后利用常识知识将这些句子统一转换为动词—对象的形式，并通过逻辑推理产生叙事的事件序列，再通过启发式函数，根据动词、对象和方式，对不同的事件进行语义相似性的模糊匹配，最终从用户提供的种子语句生成5至20行的故事。在此基础上，Hong 等人设计了一个用于产生儿童故事的生成系统Picture Books，该系统利用ConceptNet来建模与儿童日常生活主题相关的概念，如故事背景、角色、物体、动作、事件等，然后根据用户输入的图片，按照概念之间的语义关系，自动生成供4～6岁儿童阅读的，具有一定教育意义的儿童故事[33-34]。Cua等人则使用SUMO本体表示叙事中的知识，利用Sigma推理引擎查询故事中可能发生的动作或事件，并使用规划器产生叙事[30]，图3为基于SUMO的叙事生成系统架构。为了更好地规范和明确叙事生成中的知识，Swartjes从本体的角度提出了一个分层的故事世界本体，包括上层故事世界本体和领域相关世界本体[35]。其中上层故事世界本体是独立于任何的故事结构或故事领域的，该层本体构建了大量的动作或事件，领域世界本体则将上层本体映射到具体的故事领域[34]。此外，为了实现叙事的多样性，中科院计算所王海涛博士研究了叙事知识库[14]，该知识库是由多类常识库构成，主要包括目标分解常识知识库、行为常识知识库、情绪常识知识库等。其中目标分解常识知识库描述了一个初始目标是如何分解为一组子目标，并如何通过分别实现子目标，最终完成初始目标的过程。行为常识知识库是用来描述不同角色的主体在不同的条件下通过何种行为实现各自的目标，以及在行为实现之后，会对环境以及旁观者造成何种物理及认知影响。情绪常识知识库以OCC情绪模型为基础，给叙事人物增加了情绪产生和情绪表现两种知识，从而使叙事人物更加真实可信。

图3 基于SUMO的叙事生成系统架构

基于常识和知识本体的方法很好地将各类知识应用到叙事生成中，但从目前已有的工作来看，该方法只适合生成较短的叙事，并且组成叙事的语句简单，叙事内容比较平淡。其次所生成的叙事虽然能够保证逻辑上的一致性，但在内容的趣味性和情节的戏剧性等问题上还需要做很多的工作。

5 基于故事文法的叙事生成方法

故事文法是一种从结构上对叙事进行建模的方法，该方法来源于早期的对形式主义叙事学的研究。Propp于1928年出版的《民间故事形态学》对俄国民间故事进行了总结，他认为在俄国民间故事中，人物的行为是不变的，称为“功能”。角色的功能可细分为31种，这些功能是按一定的顺序排列下来的，角色共有七个：反面角色、协助者、救援者、公主和她的父亲、送信人、英雄、假英雄。1973年，Colby提出了爱斯基摩民间故事的形式化文法，是最早使用形式化文法来描述语言学现象的研究者。基于故事文法的叙事生成方法，其主要思想是利用故事文法规则来表示叙事中的组成元素，如故事设定、场面、人物、动作、事件等，同时结合故事文法的结构信息产生满足文法产生式规则的叙事。

1975年，Rumelhart首次提出了一种用于故事生成的上下文无关文法，该文法包含两套规则集，一是句法重写规则，负责产生故事的句法结构，另一套是语义解释规则，用于产生故事的语义结构，其部分规则集包括：

r1: story → setting + episode

r1′: allow (setting, episode)

r2: setting → (state)*

r2′: and (state, state, state, ...)

r3: episode → event + reaction

r3′: initiate (event, reaction)

其中r1表示故事是由设定加上场面组成的，r2表示设定由状态组成，r3表示场面由事件和反应组成[36]。

在此基础上，Lang提出了一种用于简单叙事的形式化模型，如图4所示，该模型采用确定子句文法(definite clause grammar)，其中非终结符表示设定、场面、结果等，终结符是一阶谓词公式，表示事件、状态、目标、信念等。在此基础上， Lang使用

图4 故事文法模型

SWI-Prolog实现了一个简单叙事生成系统Joseph，该系统包括世界模型、时序谓词、故事文法、文法解析器、自然语言输出单元等多个模块[37]。

利用故事文法所产生的叙事一般比较简单，内容也比较固定，虽然直接利用故事文法产生叙事的系统不多，但是对故事文法的研究有利于我们更好的认识叙事的结构和本质。除了以上介绍的这些叙事生成方法外，Pablo等人提出了基于案例推理(Cased-Based Reasoning)方法的叙事生成[38]。Zhu和Ontanon提出了基于类比推理(Analogy-Based Reasoning)方法的叙事生成，并开发了相关的系统原型Riu[39]。

6 叙事生成方法的比较

为了对前面介绍的叙事生成方法有更加全面的认识，这里从处理对象、对象粒度，方法的通用性，所产生叙事的可读性、一致性、可信性、复杂性和可变性等方面对三种叙事生成方法进行横向的比较与分析，其结果如表1所示。

表1 三种叙事生成方法的比较

从表1 可以看出，基于智能规划的方法主要以事件作为处理对象，对象粒度适中。从理论上讲，该方法可以产生各种叙事，但由于要事先定义叙事的初始状态、目标状态以及动作的前提后果，这就使得在实际使用时，所产生的叙事有一定的限制，与其他方法相比，基于智能规划的方法所产生的叙事能保证较好的逻辑一致性，通过对规划方法进行各种扩展，也能够保持一定的人物可信性、情节复杂性以及可变性等，是目前研究者们最为关注也是叙事生成系统中普遍使用的方法。基于常识与知识本体的方法主要以概念和语义关系作为处理对象，对象粒度细。从理论上讲，该方法只要有了关于叙事世界中各类概念和关系的常识知识，就可以产生各种类型的叙事，而且由于各类概念之间都严格按照一定的语义关系进行连接，所以也能保持较好的逻辑一致性，但是由于没有一种情节自动扩展的机制以及常识推理自身的复杂性，因此所产生的叙事通常都简单短小，复杂程度不高。虽然在此方法基础上也开发出了一些叙事生成系统，但是普遍比较简单，产生的故事通常适合儿童读者。基于故事文法的方法以叙事结构中的元素作为处理对象，对象粒度粗。由于叙事结构是事先定义好的，在叙事生成过程中不能改变，这使得方法的通用性和所产生叙事的可变性都比较差。

以上是我们对现有叙事生成方法的归纳和总结，在实际开发叙事生成系统时，并不是绝对的使用其中的一种方法，而是根据各种方法的优缺点，有所侧重地采用其中的一种或多种方法来生成叙事。

7 结论

叙事生成经过三十多年的发展，虽然已经开发了不少叙事生成系统，但仍然存在着一些问题，影响着叙事生成技术在实际中的应用。

(1) 现有的叙事生成方法侧重于对叙事本身的研究，强调逻辑上的一致性和人物的可信性，但却忽视了两个重要的因素：作者的创作意图和叙事面向的受众，所产生的叙事通常局限于某一特定类型或领域，情节简单，内容机械，叙事的可读性不强。

(2) 现有的叙事生成系统大多采用自己设计的评价方法，评价手段比较单一，评价指标也不够完善，主观性较强，由于不同系统所生成的叙事类型不同，叙事之间很难进行直接、客观的比较。

(3) 从叙事的呈现方式和交互手段来看，虽然目前有一部分叙事生成系统已经可以把故事内容通过动画的形式呈现给观众，并可以在动画播放过程中和用户进行简单的交互，但是动画形式比较简单，动画内容需要事先根据故事情节手工定义，交互手段也比较单一。

针对以上这些问题，进一步的研究工作可以围绕以下几个方面：

(1) 针对目前叙事生成方法在建模方面的不足，对叙事生成方法进行扩展，将作者创作意图和受众认知引入叙事建模中，在满足逻辑一致性和人物可信性的前提下，更加关注叙事情节的戏剧性效果，如冲突、悬念、惊奇、幽默、恐怖等，以及叙事情节的表现手段，如采用多角色内部聚焦[40]的叙述方法，使生成的情节更加曲折、多变。在合成情节到叙事内容时，更多关注叙事内容的篇章结构，如采用修辞结构理论等方法，使叙事内容连贯和易于理解。此外，也可以考虑使用隐喻等修辞手段，使叙事内容更加形象和生动。

(2) 叙事结果的评价不同于一般的算法评价，不能简单地以算法复杂度以及结果正误为评价标准。在设计评价指标时，应当尽可能客观地考虑叙事的各个层面，使得这些评价指标更加全面和科学，并反过来利用这些指标指导叙事的生成。此外，尝试建立叙事的可共享资源库和语料库[41]，使不同的叙事生成系统在相同的资源库下面产生叙事，从而实现统一的评价。

(3) 针对叙事呈现方式不足，研究叙事与漫画、动画、游戏、影视、训练仿真等多种具体应用的接口，通过对叙事文本的解析和处理，结合计算机图像图形学中的先进技术，构建叙事到多种媒体表现的自动转换和生成方法。针对交互手段的不足，在叙事生成过程中可以利用虚拟现实、增强现实、计算机视觉等领域的研究成果，建立更加灵活的人机交互手段，使叙事的呈现更加自然、更加符合受众的认知需要和习惯，从而使得叙事生成技术能够更好地为生活娱乐、教育培训、训练仿真等具体应用服务。

[1] Schank R C & Abelson R P. Scripts, Plans, Goals and Understanding: An Inquiry into Human Knowledge Structures[M]. Hillsdale, NJ: Lawrence Erlbaum Associates.1977.

[2] Meehan J R. The Metanovel: Writing Stories by Computer [D]. Yale University, 1976.

[3] Davis M & Travers M. A Brief Overview of the Narrative Intelligence Reading Group. Narrative Intelligence[M]. The Netherlands: John Benjamins B.V., 2003.

[4] Mateas M & Stern A. Towards Integrating Plot and Character for Interactive Drama. In Proceeding of Socially Intelligent Agents: The Human in the Loop[C]//AAAI Fall Symposium Technical Report FS-00-04, AAAI Press, 113-118, 2000.

[5] Cavazza M, Charles F， Mead S J. Character-based Interactive Storytelling [J]. IEEE Intelligent Systems. 2002, special issue on AI in Interactive Entertainment： 17-24.

[6] Mateas M & Stern A. Façade: An Experiment in Building a Fully-Realized Interactive Drama [C]//Game Developers Conference, 2003.

[7] Riedl M O. Narrative Generation: Balancing Plot and Character [D]. North Carolina State University, 2004.

[8] 北京大学计算语言研究所.古代诗词计算机辅助研究系统[DB/OL]. http://icl.pku.edu.cn.

[9] 苏劲松，周昌乐，李翼鸿. 基于统计抽词和格律的全宋词切分语料库建立[J]. 中文信息学报，2007， 21(2)：52-57.

[10] 何晶，周明，蒋龙. 基于统计的汉语格律诗生成研究[J]. 中文信息学报，2010, 24(2)：96-103.

[11] R Lu, S Zhang. Automatic Generation of Computer Animation: Using AI for Movie Animation[M]. Berlin, Heidelberg: Springer-Verlag, 2002.

[12] 曹存根,等. 智能动画创作系统PNAI的研究进展[J]. 系统科学与数学, 2008, 28(11): 1407-1431.

[13] 王海涛，岳小莉. 叙事与动画自动生成技术研究[J]. 信息技术快报, 2006, 4(5).

[14] 王海涛. 文本知识处理方法及智能叙事生成应用研究[D]. 中国科学院计算技术研究所, 2008.

[15] 吴华，黄泰翼. 问答篇章生成系统中的用户模型和文本规划[J]. 中文信息学报，2001， 15(4)：28-34.

[16] F Zhu, C Cao. Towards an Author Intention Based Computational Model of Story Generation [C]//The 7th International Conference on Intelligent Information Processing, IIP2012.

[17] Fikes R, Nilsson N. STRIPS: A New Approach to the Application of Theorem Proving to Problem Solving[J]. Artificial Intelligence. 1971, 2: 189-208.

[18] Mateas M, Sengers P. Narrative Intelligence[C]//AAAI Fall Symposium on Narrative Intelligence, North Falmouth, MA, USA., 1999: 1-10.

[19] Cavazza M, Martin O, et al. Multi-modal Acting in Mixed Reality Interactive Storytelling[J]. IEEE Multimedia, 2004, 11(3): 30-39.

[20] Charles F, Cavazza M. Exploring the scalability of character-based storytelling[C]//The 3rd International Joint Conference on Autonomous Agents and Multi-Agent Systems, AAMAS 2004: 872-879.

[21] Pizzi D. Emotional Planning for Character-based Interactive Storytelling[D]. Teesside University, 2011.

[22] Bonet B, Geffner H. Planning as heuristic search[J]. Artificial Intelligence, 2001: 5-33.

[23] Riedl M O. An Intent-Driven Planner for Multi-Agent Story Generation[C]//Proceedings of the 3rd International Conference on Autonomous Agents and Multi Agents Systems, AAMAS, 2004.

[24] Riedl M O, Young R M. Narrative Planning: Balancing Plot and Character[J], Journal of Artificial Intelligence Research, Volume 39: 217-268, 2010.

[25] Ware S G, Young R M. Modeling Narrative Conflict to Generate Interesting Stories[C]//Artificial Intelligence in Interactive Digital Entertainment, 2010.

[26] Yun G C. A Computational Model of Narrative Generation for Suspense[D]. North Carolina, 2004.

[27] Weld, D. An introduction to least commitment planning[J]. AI Magazine, 1994, 15: 27-61.

[28] Singh P Lim, G. et al. Open Mind Common Sense: Knowledge Acquisition from the General Public[C]//Confederated International Conferences DOA, CoopIS and ODBASE，2002, 1223-1237.

[29] Matuszek C, Cabral J. An Introduction to the Syntax and Content of Cyc[C]//Proceedings of the 2006 AAAI Spring Symposium on Formalizing and Compiling Background Knowledge and Its Applications to Knowledge Representation and Question Answering, Stanford, CA, 2006.

[30] Cua J Manurung R, Ong, E.. Representing Story Plans in SUMO[C]//Proceedings of NAACL-HLT Workshop on Computational Approaches to Linguistic Creativity, Los Angeles, California: Association for Computational Linguistics, 2010, 40-48.

[31] Liu H, Singh P. ConceptNet—A Practical Commonsense Reasoning Tool-Kit[J]. BT Technology Journal, 2004, 22(4): 211-226.

[32] Liu H, Singh P. MakeBelieve: Using Commonsense Knowledge to Generate Stories[C]//Proceedings of 18th National Conference on AI, 2002, 957-958.

[33] Hong A J. Siy, J T Solis, C.J. Picture Books: An Automated Story Generator[C]//Proceedings of the 5th National Natural Language Processing Research Symposium, 2008.

[34] Ethel Chua, Joy Ong. A Commonsense Knowledge Base for Generating Children’s Stories[C]//AAAI Fall Symposium, 2010.

[35] Swartjes I. The Plot Thickens: Bringing Structure and Meaning into Automated Story Generation[D]. The Netherlands: University of Twente, 2006.

[36] Mark G Lee. A Model of Story Generation[D]. University of Manchester, 1994.

[37] Raymond L R. Story grammars return of a theory. Narrative Intelligence[M], 2003.

[38] Gervás P, Díaz-Agudo B, Peinado F. Story Plot Generation Based on CBR[J]. Journal of Knowledge-Based Systems, 2006, 18(4-5): 235-242.

[39] Ontanon S, Zhu J. On the Role of Domain Knowledge in Analogy-Based Story Generation[C]//Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence, 2011.

[40] Bae B-C.et al., Automated story generation with multiple internal focalization[C]//Computational Intelligence and Games，2011, 211-218.

[41] Finlayson M A. Computational Models of Narrative: Review of the Workshop[J]. Journal of AI Magazine. 2010, 31(2).