[论文解读] Narrative Maps: An Algorithmic Approach to Represent and Extract Information Narratives

Brian Keith, Tanushree Mitra|arXiv (Cornell University)|Sep 9, 2020

Topic Modeling参考文献 67被引用 6

一句话总结

本文提出了叙事地图（Narrative Maps）——一种基于正式叙事理论的算法框架，通过路线图隐喻从在线数据中表示并提取基于时间的叙事。该框架采用基于优化的图提取方法，以最大化连贯性与覆盖度，在评估中表明，该表示方法能有效向用户传达复杂叙事，适用于新闻报道、情报分析和虚假信息检测。

ABSTRACT

Narratives are fundamental to our perception of the world and are pervasive in all activities that involve the representation of events in time. Yet, modern online information systems do not incorporate narratives in their representation of events occurring over time. This article aims to bridge this gap, combining the theory of narrative representations with the data from modern online systems. We make three key contributions: a theory-driven computational representation of narratives, a novel extraction algorithm to obtain these representations from data, and an evaluation of our approach. In particular, given the effectiveness of visual metaphors, we employ a route map metaphor to design a narrative map representation. The narrative map representation illustrates the events and stories in the narrative as a series of landmarks and routes on the map. Each element of our representation is backed by a corresponding element from formal narrative theory, thus providing a solid theoretical background to our method. Our approach extracts the underlying graph structure of the narrative map using a novel optimization technique focused on maximizing coherence while respecting structural and coverage constraints. We showcase the effectiveness of our approach by performing a user evaluation to assess the quality of the representation, metaphor, and visualization. Evaluation results indicate that the Narrative Map representation is a powerful method to communicate complex narratives to individuals. Our findings have implications for intelligence analysts, computational journalists, and misinformation researchers.

研究动机与目标

• 解决现代在线系统在时间事件理解中虽具核心地位却无法有效表示叙事的缺陷。
• 基于正式叙事理论，开发一种理论驱动的计算化叙事表示方法，采用路线图隐喻。
• 设计一种新颖的基于优化的算法，从大规模数据中提取叙事地图，同时最大化连贯性与覆盖度。
• 评估叙事地图表示在向用户传达复杂叙事方面的有效性。
• 支持在情报分析、计算新闻和虚假信息检测中的实际应用。

提出的方法

• 将叙事表示为有向无环图（DAG），其中节点为事件，边表示因果或时间关系，边权重反映连贯性。
• 使用路线图隐喻，将叙事理论要素（如故事情节、地标、主题）映射到可视化与计算组件。
• 应用优化技术，在满足结构约束（如无环性）和主题覆盖约束的前提下，最大化叙事连贯性。
• 将主故事情节提取为图中连贯性最高的路径，将代表性地标提取为来自其他故事情节的关键事件。
• 通过主题分析识别故事情节间反复出现的思想，以刻画叙事的核心主题。
• 通过增加可信度、偏见、5W1H要素和摘要等注释，扩展表示以支持高级分析。

实验结果

研究问题

• RQ1 RQ1：如何使用理论基础扎实、可视化直观的隐喻，计算化表示一个叙事？
• RQ2 RQ2：如何从大规模在线数据中提取连贯的叙事表示？
• RQ3 RQ3：所提出的叙事地图表示在传达复杂叙事方面表现如何？
• RQ4 RQ4：叙事地图表示能否扩展以包含来源可信度和偏见等语境因素？
• RQ5 RQ5：叙事地图如何支持现实世界的应用，如虚假信息检测和新闻摘要？

主要发现

• 用户评估证实，叙事地图表示能有效传达复杂叙事，参与者认为其直观且信息丰富。
• 路线图隐喻显著提升了用户对时间性信息中故事情节与主题关系的理解。
• 基于优化的提取算法成功从新闻数据中生成了连贯的叙事地图，具有高度的结构与主题一致性。
• 对新冠疫情的案例研究揭示了两个主要主题：'病毒传播'与'经济影响'，证明了该方法识别关键叙事要素的能力。
• 与传统时间顺序信息流相比，叙事地图表示在帮助用户理解演变中的故事情节及事件间关联方面表现更优。
• 可信度与偏见注释的扩展被证明是可行且有价值的，有助于虚假信息检测与事实核查工作流程。