[论文解读] 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 4

一句话总结

本文提出一种无监督方法，利用因果潜能（Causal Potential）推断电影场景描述中事件对之间的叙事因果关系——包括物理性、动机性、心理性和促成性因果。通过人工判断评估，该方法生成的因果关系质量优于Rel-grams，在包括不同类型电影在内的多种电影类型中表现优异，涵盖通用语料库和特定类型训练方法。

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.

研究动机与目标

• 学习电影剧本中事件对之间的细粒度叙事因果关系（物理性、动机性、心理性和促成性）。
• 解决先前研究仅关注物理因果或使用新闻语料库的局限性，后者对日常叙事事件的代表性不足。
• 评估电影场景描述（富含动作、时间有序、聚焦于日常事件）是否作为学习叙事因果关系的更优资源。
• 比较从全语料库与特定类型训练方法中学习到的因果事件对的质量，评估其通用性与特异性。
• 验证人类评判者能否区分不同类型的叙事因果关系，并认为所学事件对比现有基线（如Rel-grams）更具因果合理性。

提出的方法

• 该方法使用因果潜能（CP），一种基于电影场景描述中事件共现模式与分布相似性的度量，估算两个相邻事件之间存在因果关系的可能性。
• 语料库包含11个类型（如喜剧、恐怖、惊悚）的955部电影，通过自然语言处理预处理从剧本中自动提取场景描述。
• 从电影场景的相邻从句中提取事件对，动词代表事件，因果关系分为四类：物理性、动机性、心理性和促成性。
• 模型在全语料库和特定类型子语料库上进行训练，以比较所学因果关系的性能与多样性。
• 因果潜能通过考虑事件频率、共现关系及话语结构的公式计算，并进行调整以优先考虑语境相关的因果关系。
• 通过人工评估验证所推断因果对的质量，并与Rel-gram基线方法的结果进行比较。

实验结果

研究问题

• RQ1 能否使用无监督方法，从电影场景描述中有效学习叙事因果关系（物理性、动机性、心理性和促成性）？
• RQ2 与Rel-gram基线相比，人类评判者是否认为通过因果潜能诱导出的事件对具有更强的因果感知？
• RQ3 特定类型训练能否产生质量高且与全语料库学习结果有显著差异的因果事件对？
• RQ4 人类评判者能否可靠地区分所推断事件对中不同类型的叙事因果关系？
• RQ5 所学因果关系的质量更多取决于语料规模，还是主题一致性和事件一致性？

主要发现

• 人类评判者能够可靠地区分由本方法生成的强因果与弱因果事件对，证实该方法具备生成高质量因果推断的能力。
• 通过因果潜能诱导出的事件对在人工评估中被认为具有显著更高的因果可能性，优于Rel-gram语料库的结果，表明其在人类评估中表现更优。
• 人类评判者能够正确识别并区分四种叙事因果类型——物理性、动机性、心理性和促成性，表明该方法捕捉到了细微的因果关系。
• 特定类型训练生成了质量高的因果事件对，且与全语料库学习结果有明显差异，表明主题一致性有助于发现领域特定的因果模式。
• 尽管子语料库规模较小，特定类型模型的性能与全语料库模型相当，表明主题一致性在学习有效因果关系方面优于语料规模。
• 仅三个事件对（sit-eat、play-sing）在本研究的电影因果对与Rahimtoroghi等人（2016）的个人博客因果对中重叠，表明因果关系对领域和事件一致性敏感，而不仅取决于语料规模。