論文の概要: Storyline Trees: Hierarchical Representations for Long-Form Narratives

• arxiv url: http://arxiv.org/abs/2606.20900v1
• Date: Thu, 18 Jun 2026 19:55:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 12:05:23.24093
• Title: Storyline Trees: Hierarchical Representations for Long-Form Narratives
• Title（参考訳）: ストーリーラインツリー:長期物語の階層的表現
• Authors: Litu Ou, Mirella Lapata,
• Abstract要約: 長い形式の物語は、構造化文書のナビゲーションをガイドする明示的な手がかりなしで数百ページにわたって相互作用する。 物語をグローバルなテーマや主要なプロットラインからきめ細かなイベントへと整理する階層的な表現であるストーリーラインツリーを構築することで、この問題に対処する。 本研究では,ストーリーライン木が適応的検索を可能にし,モデルが高レベルの物語構造を反復的に検査し,オンデマンドのシーンレベルの証拠を検索できることを示す。
• 参考スコア（独自算出の注目度）: 46.30942717677015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-form narratives are challenging for long-context models because their structure is implicit: events, characters, and plotlines interact across hundreds of pages without the explicit cues that guide navigation in structured documents. We address this by constructing storyline trees, hierarchical representations that organize narratives from global themes and major plotlines to fine-grained events. We first segment chapters into contiguous narrative segments, or scenes, and use them as the basic units for tree construction. We then infer storyline trees through complementary top-down and bottom-up procedures that derive, refine, cluster, and summarize storylines at multiple levels of abstraction. We showcase the utility of this representation for question answering: storyline trees enable adaptive retrieval, allowing models to iteratively inspect high-level narrative structure and retrieve scene-level evidence on demand. Experiments on three long-context narrative QA benchmarks show that adaptive retrieval outperforms strong baselines, including post-trained long-context models and agentic chunk-based methods. Ablations confirm that scenes are more effective basic units than chapters or generic segmentation, and that gains persist under matched retrieval budgets
• Abstract（参考訳）: 長い形式の物語は、その構造が暗黙的であるため、長いコンテキストモデルでは困難である: イベント、キャラクタ、プロットラインは、構造化文書のナビゲーションをガイドする明示的な手がかりなしで数百ページにわたって相互作用する。 物語をグローバルなテーマや主要なプロットラインからきめ細かなイベントへと整理する階層的な表現であるストーリーラインツリーを構築することで、この問題に対処する。 まず第1章を連続した物語セグメント、またはシーンに分割し、木構築の基本単位として使用します。 次に、複数の抽象化レベルでストーリーラインを導出し、洗練し、クラスタ化し、要約する補完的なトップダウンとボトムアップの手順を通してストーリーラインツリーを推論します。 ストーリーラインツリーは適応的検索を可能にし、モデルが高レベルな物語構造を反復的に検査し、要求に対するシーンレベルの証拠を検索できるようにする。 3つの長文ナラティブQAベンチマークの実験により、適応的検索は、訓練後の長文モデルやエージェント的チャンクベース手法など、強いベースラインよりも優れていることが示された。 アブレーションにより、シーンは章や一般的なセグメンテーションよりも効果的な基本単位であり、マッチングされた検索予算の下では利益が持続することを確認した。

関連論文リスト

• Think Before you Write: QA-Guided Reasoning for Character Descriptions in Books [52.08691427871138]
  我々は、推論を世代から切り離す訓練フレームワークを提案する。 提案手法は,構造化QA推論トレースを生成する推論モデルと,このトレースに基づいて最終文字記述を生成する生成モデルとから構成される。
  論文  参考訳（メタデータ） (2026-04-13T13:19:56Z)
• Beyond Chunking: Discourse-Aware Hierarchical Retrieval for Long Document Question Answering [51.7493726399073]
  本稿では,長文質問応答を改善するための対話型階層型フレームワークを提案する。 このフレームワークには3つの重要な革新がある: 長文の専門的な談話解析、LLMに基づく談話関係ノードの拡張、構造誘導階層検索である。
  論文  参考訳（メタデータ） (2025-05-26T14:45:12Z)
• Structured Graph Representations for Visual Narrative Reasoning: A Hierarchical Framework for Comics [1.320904960556043]
  本稿では,漫画に焦点をあて,視覚的物語の構造的理解のための階層的知識グラフフレームワークを提案する。 それは、意味的、空間的、時間的関係をキャプチャする統合知識グラフを通してそれらを表現する。 パネルレベルでは、文字、オブジェクト、アクションなどの視覚要素と、対話やキャプションを含む対応するテキストコンポーネントをリンクするマルチモーダルグラフを構築する。
  論文  参考訳（メタデータ） (2025-04-14T14:42:19Z)
• Summarize, Outline, and Elaborate: Long-Text Generation via Hierarchical Supervision from Extractive Summaries [46.183289748907804]
  長文生成のためのアウトライン化,アウトライン化,エラボレートを行うパイプラインシステムSOEを提案する。 SOEは、より高速な収束速度とともに、非常に優れた品質の長いテキストを生成する。
  論文  参考訳（メタデータ） (2020-10-14T13:22:20Z)
• Screenplay Summarization Using Latent Narrative Structure [78.45316339164133]
  本稿では,物語の基盤となる構造を一般教師なし・教師付き抽出要約モデルに明示的に組み込むことを提案する。 重要な物語イベント(転回点)の観点で物語構造を定式化し、脚本を要約するために潜伏状態として扱う。 シーンレベルの要約ラベルを付加したテレビ画面のCSIコーパスの実験結果から,潜角点がCSIエピソードの重要な側面と相関していることが判明した。
  論文  参考訳（メタデータ） (2020-04-27T11:54:19Z)
• The Shmoop Corpus: A Dataset of Stories with Loosely Aligned Summaries [72.48439126769627]
  個々の章ごとに詳細なマルチパラグラフの要約と組み合わせた231ストーリーのデータセットであるShmoop Corpusを紹介します。 コーパスから、クローズ形式の質問応答や抽象的要約の簡易な形式を含む共通のNLPタスクのセットを構築する。 このコーパスのユニークな構造は、マシンストーリーの理解をより親しみやすいものにするための重要な基盤となると信じている。
  論文  参考訳（メタデータ） (2019-12-30T21:03:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。