[论文解读] Prospects for in-depth story understanding by computer

Erik T. Mueller|ArXiv.org|Mar 1, 2000

Topic Modeling参考文献 31被引用 22

一句话总结

本文主张重新关注人工智能中的深度故事理解，提出一种多智能体架构以解决叙事理解领域长期存在的挑战。文章概述了关键障碍，提出通过相互协作的理解智能体实现的解决方案，并指出可用于推动该领域发展的工具与资源，尤其是在简单NLP任务取得进展之后。

ABSTRACT

While much research on the hard problem of in-depth story understanding by computer was performed starting in the 1970s, interest shifted in the 1990s to information extraction and word sense disambiguation. Now that a degree of success has been achieved on these easier problems, I propose it is time to return to in-depth story understanding. In this paper I examine the shift away from story understanding, discuss some of the major problems in building a story understanding system, present some possible solutions involving a set of interacting understanding agents, and provide pointers to useful tools and resources for building story understanding systems.

研究动机与目标

• 在1990年代之后，当研究重点转向更简单的NLP任务时，重新激发对深度故事理解的研究。
• 识别构建具备深度叙事理解能力系统的核心挑战。
• 提出一种多智能体架构，作为整合故事理解不同方面的框架。
• 提供实用工具与资源，以支持故事理解系统的发展。
• 将故事理解定位为自然语言处理中一个可行且重要的未来前沿领域。

提出的方法

• 提出一个由相互协作的理解智能体组成的系统，每个智能体负责故事理解的特定方面。
• 利用信息抽取和词义消歧的最新进展作为基础组件。
• 集成模块化智能体以处理叙事中的事件、角色、目标和因果关系。
• 使用现有的NLP工具与资源，以支持智能体功能与系统集成。
• 设计架构以实现智能体之间的动态协调，实现对故事的整体解释。
• 借鉴以往研究以指导智能体设计，并确保与当前NLP流水线的兼容性。

实验结果

研究问题

• RQ1 哪些关键挑战阻碍了计算机在深度故事理解方面的进展？
• RQ2 模块化、基于智能体的架构如何有效建模复杂的叙事结构？
• RQ3 信息抽取与词义消歧的最新进展在实现更深层次故事理解中发挥什么作用？
• RQ4 哪些现有工具与资源可被利用来构建可扩展的故事理解系统？
• RQ5 多个理解智能体如何协调以实现对故事的统一解释？

主要发现

• 自1990年代以来，该领域研究重点已从故事理解转向更简单的NLP任务，如信息抽取和词义消歧。
• 多智能体系统为应对深度故事理解的复杂性提供了切实可行的框架。
• 在简单NLP任务上的进展如今为重返故事理解奠定了坚实基础。
• 所提出的架构能够实现对事件、角色和目标等叙事元素的模块化、协调化处理。
• 一系列现有工具与资源可用于支持故事理解智能体的实现。
• 本文通过识别关键组件与集成策略，为未来研究提供了路线图。