[论文解读] Modeling Dynamic Relationships Between Characters in Literary Novels

Snigdha Chaturvedi, Shashank Srivastava+2 more|arXiv (Cornell University)|Nov 30, 2015

Topic Modeling参考文献 23被引用 7

一句话总结

本文提出了一种半监督的结构化预测框架，将文学小说中角色对之间的动态、演化关系建模为潜在关系状态序列（例如，合作或非合作）。通过使用具有丰富语言和世界知识特征的二阶马尔可夫模型，该框架捕捉了叙事流和历史背景，在从叙事摘要预测关系轨迹方面，优于无结构化和低阶模型。

ABSTRACT

Studying characters plays a vital role in computationally representing and interpreting narratives. Unlike previous work, which has focused on inferring character roles, we focus on the problem of modeling their relationships. Rather than assuming a fixed relationship for a character pair, we hypothesize that relationships are dynamic and temporally evolve with the progress of the narrative, and formulate the problem of relationship modeling as a structured prediction problem. We propose a semi-supervised framework to learn relationship sequences from fully as well as partially labeled data. We present a Markovian model capable of accumulating historical beliefs about the relationship and status changes. We use a set of rich linguistic and semantically motivated features that incorporate world knowledge to investigate the textual content of narrative. We empirically demonstrate that such a framework outperforms competitive baselines.

研究动机与目标

• 将文学小说中角色之间的关系建模为非静态角色，而是作为随时间动态演化的状态。
• 解决先前研究中假设角色角色固定或关系静态的局限性。
• 开发一种半监督框架，能够从完全标注和部分标注的叙事片段中进行学习。
• 将历史叙事背景和世界知识整合到关系状态预测中。
• 通过对角色互动序列进行结构化分割，建模叙事流，从而提高预测准确性。

提出的方法

• 将关系建模问题表述为关系状态序列上的结构化预测问题，而非二元分类问题。
• 采用二阶马尔可夫潜变量模型，以编码历史背景并建模状态转移。
• 使用丰富的语言和语义特征，包括事件追踪和世界知识，以表示角色互动句子的文本内容。
• 应用半监督学习框架，在混合完全标注和部分标注的叙事片段上进行训练。
• 将叙事序列分割为非重叠的、语义上合理的段落，每个段落用关系状态（+1 或 -1）进行标注。
• 通过将序列标记为“发生了变化”来将结构化输出转换为二元变化预测，条件是存在任何状态转移。

实验结果

研究问题

• RQ1 将角色关系建模为动态演化序列，是否能相比静态角色分配提升叙事理解？
• RQ2 二阶马尔可夫模型在捕捉关系状态预测的历史背景方面有多有效？
• RQ3 在叙事文本中，整合世界知识和语义特征在多大程度上能增强关系建模？
• RQ4 半监督框架能否有效利用部分标注数据来提升关系轨迹预测？
• RQ5 结构化预测是否优于将句子独立处理的无结构化模型？

主要发现

• 二阶马尔可夫模型在预测关系序列方面显著优于一阶模型和无结构化逻辑回归基线模型。
• 结构化模型在负类（无变化）上达到67.8%的F1分数，而无结构化逻辑回归基线为56.0%，表明其召回率更高且预测更保守。
• 通过利用历史背景，该模型在状态预测中表现出更好的一致性，减少了变化检测中的假阳性。
• 半监督框架有效利用了部分标注数据，在无需完全监督的情况下提升了性能。
• 世界知识和语义特征的引入有助于更准确地建模叙事文本中的关系动态。
• 该框架在检测关系变化方面表现优异，二阶模型在所有测试模型中取得了最高的F1分数。