[论文解读] Inferring Interpersonal Relations in Narrative Summaries

Shashank Srivastava, Snigdha Chaturvedi+1 more|arXiv (Cornell University)|Dec 1, 2015

Topic Modeling参考文献 26被引用 30

一句话总结

本文提出一种结构化预测模型，通过结合语言、语义和社会网络结构特征，推断叙事摘要中角色之间的合作与对抗关系。该模型相比基线方法实现超过30%的误差降低，其关键贡献在于使用叙事特定聚类来利用如爱情三角形等重复关系模式。

ABSTRACT

Characterizing relationships between people is fundamental for the understanding of narratives. In this work, we address the problem of inferring the polarity of relationships between people in narrative summaries. We formulate the problem as a joint structured prediction for each narrative, and present a model that combines evidence from linguistic and semantic features, as well as features based on the structure of the social community in the text. We also provide a clustering-based approach that can exploit regularities in narrative types. e.g., learn an affinity for love-triangles in romantic stories. On a dataset of movie summaries from Wikipedia, our structured models provide more than a 30% error-reduction over a competitive baseline that considers pairs of characters in isolation.

研究动机与目标

• 解决在叙事摘要中推断人际互动极性（合作与冲突）的挑战。
• 开发一种联合结构化预测框架，整合文本线索与社会结构特征（如三元组配置）。
• 探索叙事特定规律（如重复的关系类型，例如爱情三角形），以提升泛化能力和性能。
• 创建并发布一个新的标注数据集，包含153部电影摘要，用于训练和评估关系推断模型。
• 证明间接结构线索（如共同敌人、共同朋友）可显著提升关系推断性能，超越孤立成对分析。

提出的方法

• 将关系推断问题建模为结构化预测，模型联合预测叙事中所有角色对的二元关系标签（合作或对抗）。
• 整合语言和语义特征（如情感、共现、话语线索）与来自社会网络配置（如团、共同敌人、爱情三角形）的结构特征。
• 采用结构化感知机模型，对所有角色对的联合损失函数进行优化，从而建模预测之间的依赖关系。
• 引入基于聚类的扩展，学习叙事类型特定的亲和力（如复仇剧或爱情故事），以适应特定领域的关系模式。
• 使用文本特征与结构特征的加权组合，通过在标注数据集上的监督训练学习特征权重。
• 应用交叉验证调优超参数，包括聚类数量（K=2）、聚类加权参数（α=0.8）和训练轮数（10）。

实验结果

研究问题

• RQ1 是否联合推断叙事中所有角色对之间关系的结构化预测模型，能优于孤立分析成对关系的模型？
• RQ2 间接结构线索（如共同敌人或共同友谊）在多大程度上能提升关系推断的准确性？
• RQ3 叙事特定聚类（如按类型分组故事）能否增强模型在不同类型人际动态中的泛化能力？
• RQ4 不同类型的语言和语义特征（如情感、话语标记）在关系分类中的贡献如何？
• RQ5 哪些最显著的结构配置（如爱情三角形、墨西哥式对峙）在叙事关系中出现，它们与推断极性之间有何关联？

主要发现

• 结构化感知机模型（SPR）在测试集上达到0.793的F1分数，相比竞争性基线逻辑回归（LR）模型实现超过30%的误差降低。
• 叙事特定聚类扩展（SPR + Narrative types）达到最高性能，F1分数为0.805，略高于标准结构化感知机模型。
• 模型学习到“共同敌人”结构配置具有强烈的正向亲和力（权重=10.26），表明其对对抗关系具有高度预测能力。
• 模型为“爱情三角形”配置分配了负权重（w = -0.84），表明其与冲突相关，尽管这可能反映了电影叙事中的类型特定模式。
• “朋友的朋友是朋友”的传递性规则未被学习到的权重所支持，表明此类硬性约束可能无法很好地泛化到叙事数据。
• 共指错误和误分类的情感线索（如将“drag”解释为负面）是模型错误的主要来源，凸显了当前特征工程的局限性。