La compréhension automatique des récits constitue un défi fondamental en compréhension du langage naturel, et pourrait permettre aux ordinateurs d’apprendre des normes sociales, du comportement humain et du bon sens. Dans cet article, nous présentons un modèle de compréhension de récits qui explore trois aspects sémantiques distincts : (i) la séquence des événements décrits dans le récit, (ii) son arc émotionnel, et (iii) sa cohérence narrative. Nous évaluons la capacité du modèle à comprendre des récits du monde réel en nous demandant s’il peut, comme un humain, formuler une attente concernant ce qui va se produire ensuite dans une histoire donnée. Plus précisément, nous l’utilisons pour prédire la fin correcte d’un court récit parmi plusieurs alternatives possibles. Le modèle intègre une variable cachée afin de pondérer les différents aspects sémantiques dans le contexte du récit. Nos expériences démontrent le potentiel de notre approche à caractériser ces aspects sémantiques, ainsi que l’efficacité de la méthode fondée sur la variable cachée. Le modèle surpasser les approches les plus avancées de l’état de l’art et obtient les meilleurs résultats sur un jeu de données publique.