本文主要关注自然语言处理中的故事生成任务，即如何让机器根据给定的简短故事描述(如:话题或者一句话)生成一个完整故事的问题，该任务考验机器是否能够很好地掌握外界知识以及生成上下文语义信息连贯的故事。近期有一些基于Seq2Seq(序列到序列)框架，结合注意力机制、强化学习、基于故事骨架以及故事线的工作在该任务上取得了一些成果。但是还存在若干问题:首先，输入输出两端信息量不匹配问题。给定话题往往是若干个词，所生成故事很长，输入端无法提供较为充足的信息。其次，近期主流做法依赖于为故事中的每一句话提供关键字，然而实际应用中这些关键字很难获取。此外，以往方法所生成的故事比较单一，缺少故事多样性。
　　本文探索并提出了利用话题模型对故事生成神经网络进行语义增强的框架—TopNet以解决上述问题。首先，使用话题模型对故事进行建模，以此学习到文档-主题分布的映射(主题预测网络)和话题-词典分布的映射(重构文档解码器)。其次，训练一个主题映射模块，用于将故事生成任务的输入(即简短的描述)映射为待生成故事的主题分布，并进一步提出自回归采样机制从主题模型挑选出的候选信息里面进一步选取合适的信息作为故事生成模型输入的补充信息。最后，利用当前自然语言处理中广泛使用的Transformer作为故事生成模型，将原有故事描述以及采样出的补充信息一起作为故事生成模型的输人生成完整故事。经过实验，本文提出的方法在三个公开的数据集上面都取得了很好的效果，并通过一系列对比、切除实验进一步证明本文提出的方法的有效性。