[논문 리뷰] Inferring Narrative Causality between Event Pairs in Films

Zhichao Hu, Marilyn Walker|arXiv (Cornell University)|2017. 08. 30.

Topic Modeling참고 문헌 21인용 수 4

한 줄 요약

이 논문은 영화 시나리오 기반의 묘사에서 물리적, 동기부여적, 심리적, 가능성을 제공하는 원인관계를 추론하기 위해 인과 잠재력(Causal Potential)을 사용하는 비지도 학습 방법을 제안한다. 인간 평가를 통해 평가된 결과, Rel-grams보다 더 높은 품질의 인과관계를 도출하였으며, 다양한 영화 장르에서 뛰어난 성능을 보였다. 특히 장르별 및 전체 코퍼스 학습 방식 모두에서 우수한 성능을 발휘하였다.

ABSTRACT

To understand narrative, humans draw inferences about the underlying relations between narrative events. Cognitive theories of narrative understanding define these inferences as four different types of causality, that include pairs of events A, B where A physically causes B (X drop, X break), to pairs of events where A causes emotional state B (Y saw X, Y felt fear). Previous work on learning narrative relations from text has either focused on "strict" physical causality, or has been vague about what relation is being learned. This paper learns pairs of causal events from a corpus of film scene descriptions which are action rich and tend to be told in chronological order. We show that event pairs induced using our methods are of high quality and are judged to have a stronger causal relation than event pairs from Rel-grams.

연구 동기 및 목표

• 영화 각본 내 이벤트 쌍 간에 물리적, 동기부여적, 심리적, 가능성을 제공하는 인과관계를 세밀하게 학습하는 것.
• 이전 연구가 물리적 인과관계에만 국한되거나 뉴스 기사 코퍼스를 사용하는 데서 비롯된 한계를 해결하는 것. 이는 일상적인 서사적 사건을 더 잘 반영하지 못하기 때문이다.
• 행동 중심이며 시간순서가 정리되어 있고 일상적인 사건에 초점을 맞춘 영화 장면 묘사가 서사적 인과관계 학습에 더 유리한 자료가 되는지 평가하는 것.
• 전체 코퍼스 학습과 장르별 학습 방식을 비교하여, 학습된 인과관계의 일반성과 특이성 측면에서 품질을 평가하는 것.
• 인간 평가자가 다양한 종류의 서사적 인과관계를 식별하고, 기존의 베이스라인인 Rel-grams보다 학습된 쌍이 더 인과적으로 타당하다고 인식하는지 검증하는 것.

제안 방법

• 이 방법은 인과 잠재력(CP)을 사용한다. CP는 영화 장면 묘사 내 공존 패턴과 분포 유사성에 기반해 두 인접한 사건 간의 인과관계 가능성의 정도를 추정하는 척도이다.
• 코퍼스는 11개 장르(예: 코미디, 호러, 스릴러)에 걸쳐 955部 영화로 구성되며, NLP 전처리를 통해 자동으로 각본에서 장면 묘사를 추출하였다.
• 이벤트 쌍은 영화 장면의 인접한 절들에서 추출되며, 동사가 이벤트를 나타내고, 인과관계는 물리적, 동기부여적, 심리적, 가능성을 제공하는 4가지 유형으로 분류된다.
• 학습은 전체 코퍼스와 장르별 하위코퍼스를 모두 대상으로 수행되어, 학습된 관계의 성능와 다양성 비교를 위해 사용된다.
• 인과 잠재력은 이벤트 빈도, 공존 빈도, 논의적 구조를 고려한 공식을 통해 계산되며, 맥락에 기반한 관계를 우선시하도록 조정된다.
• 인간 평가를 통해 유추된 인과관계 쌍의 품질을 검증하였으며, 이는 Rel-gram 기반의 결과와 비교되었다.

실험 결과

연구 질문

• RQ1 영화 장면 묘사에서 비지도 학습 방법을 사용해 물리적, 동기부여적, 심리적, 가능성을 제공하는 인과관계를 효과적으로 학습할 수 있는가?
• RQ2 인과 잠재력으로 유도된 이벤트 쌍은 인간 평가자에게 Rel-gram 기반 결과보다 더 강한 인과성으로 인식되는가?
• RQ3 장르별 학습이 전체 코퍼스 학습과는 의미적으로 다를 수 있는 고품질의 인과관계 이벤트 쌍을 도출할 수 있는가?
• RQ4 인간 평가자가 유추된 이벤트 쌍 내에서 다양한 종류의 서사적 인과관계를 신뢰성 있게 식별하고 구분할 수 있는가?
• RQ5 학습된 인과관계의 품질은 코퍼스 크기보다 주제적 일관성과 이벤트 기반 일관성에 더 의존하는가?

주요 결과

• 인간 평가자가 제안된 방법으로 생성된 강한 인과관계와 약한 인과관계 이벤트 쌍을 신뢰성 있게 식별할 수 있었으며, 이는 고품질의 인과 추론을 가능하게 한다는 것을 확인한다.
• 인과 잠재력으로 유도된 이벤트 쌍은 인간 평가에서 Rel-gram 코퍼스의 결과보다 유의미하게 더 인과관계가 강하다고 평가받았으며, 인간 평가에서 뛰어난 성능을 입증하였다.
• 인간 평가자가 물리적, 동기부여적, 심리적, 가능성을 제공하는 4가지 유형의 서사적 인과관계를 정확히 식별하고 구분할 수 있었으며, 이는 방법이 미세한 인과관계를 포괄적으로 포착하고 있음을 시사한다.
• 장르별 학습은 전체 코퍼스 학습과는 다를 수 있는 고품질의 인과관계 이벤트 쌍을 도출하였으며, 이는 주제 일관성이 도메인 특화된 인과 패턴을 발견하는 데 기여함을 시사한다.
• 더 작은 하위코퍼스 크기임에도 불구하고, 장르별 모델은 전체 코퍼스 모델과 유사한 품질을 달성하였으며, 이는 주제 일관성이 코퍼스 크기보다 인과관계 학습의 효과성에 더 큰 영향을 미친다는 것을 시사한다.
• Rahimtoroghi 등(2016)의 개인 블로그 데이터와 영화 기반 인과관계 쌍 간에 겹치는 이벤트 쌍은 단 3개(sit-eat, play-sing)에 그쳤으며, 이는 인과관계가 단지 코퍼스 크기보다는 도메인과 이벤트 일관성에 민감하게 반응함을 보여준다.