Im Story-Cloze-Test wird ein System mit einem vierstufigen Textanfang einer Geschichte präsentiert und muss zwischen zwei möglichen Endungen entscheiden, welche das „richtige“ Ende der Geschichte ist. Frühere Studien haben gezeigt, dass das Ignorieren des Trainingsdatensatzes und das Training eines Modells auf dem Validierungsdatensatz zu hoher Genauigkeit bei dieser Aufgabe führen kann, aufgrund stilistischer Unterschiede zwischen den Geschichtsenden im Trainings- und Validierungs- sowie Testdatensatz. Indem wir diesem Ansatz folgen, stellen wir einen einfacheren, vollständig neuronalen Ansatz für den Story-Cloze-Test vor, der skip-thought-Einbettungen (skip-thought embeddings) der Geschichten in einem Feedforward-Netzwerk verwendet. Dieser Ansatz erreicht nahezu den Stand der Technik bei dieser Aufgabe ohne jegliche Merkmalsingenieurkunst (feature engineering). Darüber hinaus festgestellt haben wir, dass die Betrachtung nur des letzten Satzes des Textanfangs anstatt des gesamten Textanfangs mit unserem Ansatz zu höherer Genauigkeit führt.