[論文レビュー] Inferring Narrative Causality between Event Pairs in Films

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

Topic Modeling参考文献 21被引用数 4

ひとこと要約

本稿では、映画のシーン記述におけるイベント対の間の物的・動機的・心理的・起因的因果関係——すなわち物語的因果関係——を推論する非教師あり手法を提案する。人間による評価を通じて評価された結果、この手法はRel-gramsを上回る高品質な因果関係を生成し、11の映画ジャンルにわたり優れた性能を示した。

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.

研究の動機と目的

• 映画の台本におけるイベント対の間の、細分化された物語的因果関係（物的・動機的・心理的・起因的）を学習すること。
• 従来の研究が物理的因果関係に限定され、あるいは日常的物語的出来事とはかけ離れたニューズレターコーパスを用いているという限界を是正すること。
• アクション豊富で時系列に整列し、日常的出来事に焦点を当てた映画のシーン記述が、物語的因果関係を学習するための優れたリソースであるかどうかを評価すること。
• 全コーパス学習とジャンル別学習の両方のアプローチから学習された因果関係の品質を比較し、汎用性と特異性の両面を評価すること。
• 人間の評価者が、異なる種類の物語的因果関係を識別でき、かつ、既存のベースライン（例：Rel-grams）よりも学習済みのペアがより因果的妥当性が高いと認識できることを検証すること。

提案手法

• 本手法は、Causal Potential（CP）を用いる。CPは、映画のシーン記述における共起パターンと分布的類似性に基づき、隣接する2つの出来事の間の因果関係の可能性を推定する指標である。
• コーパスは、11のジャンル（例：コメディ、ホラー、スリラー）にまたがる955部の映画から構成され、自然言語処理による前処理を経て、スクリプトから自動的にシーン記述が抽出された。
• イベント対は、映画シーンの隣接する節から抽出され、動詞が出来事を表す。因果関係は4つのタイプに分類される：物的、動機的、心理的、起因的。
• モデルは、全コーパスとジャンル別サブコーパスの両方で学習され、得られた因果関係の性能と多様性を比較する。
• Causal Potentialは、出来事の頻度、共起頻度、および話法的構造を考慮した式で計算され、文脈に基づいた関係を優遇するように調整されている。
• 人間による評価を用いて、推論された因果関係ペアの品質を検証し、Rel-gramベースラインと比較した。

実験結果

リサーチクエスチョン

• RQ1 Causal Potentialを用いた非教師あり手法により、映画のシーン記述から物的・動機的・心理的・起因的因果関係を効果的に学習できるか。
• RQ2 人間の評価者にとって、Causal Potentialで誘導されたイベント対は、Rel-gramベースラインのものよりも因果的関係が強く感じられるか。
• RQ3 ジャンル別学習により、全コーパスで学習されたものとは意味的に異なる高品質な因果関係ペアが得られるか。
• RQ4 人間の評価者が、推論されたイベント対における異なる種類の物語的因果関係を信頼性を持って識別できるか。
• RQ5 学習された因果関係の品質は、コーパスサイズの影響よりも、トピック的・出来事的整合性の影響がより大きいのか。

主な発見

• 人間の評価者が、提案手法によって生成された強い因果的関係ペアと弱い因果的関係ペアを信頼性を持って識別でき、本手法が高品質な因果推論を生成できることを確認した。
• Causal Potentialで誘導されたイベント対は、Rel-gramコーパスのものよりも人間評価で著しく因果的関係が強いと評価された。これは、人間評価において本手法の優れた性能を示している。
• 人間の評価者が、物的・動機的・心理的・起因的という4つの物語的因果関係の種類を正しく識別・区別できており、本手法が微細な因果関係を捉えられることを示している。
• ジャンル別学習により、全コーパスで学習されたものとは明確に異なる高品質な因果関係ペアが得られた。これは、トピック的整合性がドメイン固有の因果パターンの発見を促進することを示唆している。
• サブコーパスのサイズが小さくても、ジャンル別モデルは全コーパスモデルと同等の品質を達成した。これは、トピック的整合性が因果関係学習においてコーパスサイズを上回る影響を持つことを示している。
• Rahimtoroghiら（2016）の個人ブログコーパスと映画ベースの因果関係ペアの間で、重複するイベント対はわずか3つ（sit-eat, play-sing）にとどまり、因果関係がドメインや出来事の整合性に敏感であり、単にコーパスサイズに依存するわけではないことが示された。