[论文解读] Bringing Stories Alive: Generating Interactive Fiction Worlds

Prithviraj Ammanabrolu, Wesley Cheung+3 more|arXiv (Cornell University)|Jan 28, 2020

Artificial Intelligence in Games被引用 6

一句话总结

本文提出 AskBERT，一种神经方法，通过从故事剧情中提取并补全知识图谱（利用主题性与常识性知识），生成互动小说世界，进而引导文本生成以产出连贯、引人入胜且主题一致的虚拟世界。人类评估显示，该神经模型在连贯性和趣味性方面优于基于规则和随机的基线模型，尤其在幻想类题材中表现更优，此时主题性知识与日常常识存在显著差异。

ABSTRACT

World building forms the foundation of any task that requires narrative intelligence. In this work, we focus on procedurally generating interactive fiction worlds---text-based worlds that players "see" and "talk to" using natural language. Generating these worlds requires referencing everyday and thematic commonsense priors in addition to being semantically consistent, interesting, and coherent throughout. Using existing story plots as inspiration, we present a method that first extracts a partial knowledge graph encoding basic information regarding world structure such as locations and objects. This knowledge graph is then automatically completed utilizing thematic knowledge and used to guide a neural language generation model that fleshes out the rest of the world. We perform human participant-based evaluations, testing our neural model's ability to extract and fill-in a knowledge graph and to generate language conditioned on it against rule-based and human-made baselines. Our code is available at https://github.com/rajammanabrolu/WorldGeneration.

研究动机与目标

• 解决通过自然语言程序化生成语义一致、连贯且主题恰当的互动小说世界所面临的挑战。
• 将主题性常识与日常常识知识整合到世界生成过程中，以增强玩家沉浸感与叙事合理性。
• 开发一种神经模型，使其在生成引人入胜、连贯且符合题材的互动小说游戏中，优于基于规则和随机的基线模型。
• 通过人类参与者研究评估主题性常识对互动小说中感知连贯性与趣味性的影响。

提出的方法

• 使用开放信息抽取（OpenIE5）从故事剧情中提取部分知识图谱，捕捉为 <实体, 关系, 实体> 三元组。
• 利用 AskBERT（一种在特定题材故事上微调的 BERT 模型）完成知识图谱，基于主题性常识推断缺失的关系与可操作性。
• 将补全后的知识图谱作为结构化支架，用于指导神经文本生成模型描述地点、角色与物体。
• 通过整合生成的描述与游戏机制（包括移动与动作系统），构建最终的互动小说游戏。
• 使用人类评估对比神经模型与基于规则及随机基线模型在连贯性、趣味性与题材契合度方面的表现。
• 开展两项人类受试研究：一项针对知识图谱补全，另一项针对完整游戏评估，采用成对排名与统计检验（Mann-Whitney U）评估显著性。

实验结果

研究问题

• RQ1 神经模型能否有效从故事剧情中提取并补全知识图谱，以支持互动小说世界生成？
• RQ2 主题性常识知识的整合如何影响生成的互动小说世界的连贯性与趣味性？
• RQ3 在人类对世界质量的评估中，该神经模型在多大程度上优于基于规则和随机基线模型？
• RQ4 当主题性常识与日常常识存在显著差异时，该神经模型在不同题材中的表现是否有所不同，尤其是在幻想类题材中？
• RQ5 在感知连贯性、趣味性与题材契合度方面，神经生成、基于规则与人工制作的互动小说游戏之间是否存在显著差异？

主要发现

• 在悬疑题材中，72% 的参与者更偏好神经模型在趣味性方面，69% 在题材相似度方面，且差异具有统计学意义（p < 0.05）。
• 在悬疑题材中，基于规则的模型在感知连贯性方面优于神经模型（45% vs. 36%），表明基于规则的系统在处理平凡、现实情境时可能更具优势。
• 在童话题材中，神经模型在趣味性（42% vs. 37% 和 42% vs. 42%）与连贯性（25% vs. 25% 和 25% vs. 25%）方面显著优于基于规则与随机模型，且差异具有统计学意义。
• 人工制作的游戏在两类题材中整体排名最高，尤其在题材相似度方面（悬疑题材为 75%，童话题材为 69%），表明其设定了较高的质量基准。
• 在童话题材中，神经模型的连贯性与人工制作游戏相当（45% vs. 45%），表明其在主题性差异显著的设定中表现强劲。
• 结果表明，主题性常识知识对于生成引人入胜且连贯的世界至关重要，尤其当其与日常常识存在差异时，如在幻想题材中神经模型表现更优。