GraphLit: Learning Text-Enriched Dynamic Character Network Representations for Literary Study

Resumen Técnico: GraphLit: Aprendizaje de Representaciones Dinámicas de Redes de Personajes Enriquecidas con Texto para el Estudio Literario

Enunciado del Problema
Los métodos computacionales existentes para modelar personajes ficticios generalmente se dividen en dos categorías, ambas con limitaciones significativas. Primero, los enfoques de Red de Personajes (RP) modelan a los personajes como nodos y sus interacciones como aristas (por ejemplo, co-ocurrencia o diálogo). Aunque son efectivos para capturar estructuras sociales, estos métodos a menudo tratan a los personajes como funciones estáticas, pasando por alto el rico contexto textual (significantes como nombres, descripciones y patrones de habla) en el que aparecen los personajes. Segundo, los métodos basados en texto y los Modelos de Lenguaje Grandes (LLM) capturan matices textuales pero no logran integrar la dinámica social inherente a las redes de personajes. Además, las representaciones basadas en LLM a menudo luchan con la generalización a novelas no vistas y dependen de datos con derechos de autor que obstaculizan la reproducibilidad. Existe la necesidad de un marco que represente explícitamente tanto la información textual como la relacional dentro de un corpus de dominio público y reproducible.

Metodología
Los autores proponen GraphLit, un marco de aprendizaje auto-supervisado construido sobre Redes Dinámicas Heterogéneas de Personajes (RDHP).

1. Construcción de Datos (RDHP):

   • El marco procesa novelas largas de Project Gutenberg (aproximadamente 20,000 libros) dividiéndolas en bloques de texto localizados temporalmente.
   • Dentro de cada bloque, se construye una Red Heterogénea de Personajes (RHP) que contiene dos tipos de nodos: nodos de Personaje y nodos de Segmento (fragmentos de texto).
   • Las Aristas se definen como:
     • Personaje-Personaje: Basadas en la co-ocurrencia dentro de una ventana restrictiva (20 palabras).
     • Personaje-Segmento: Conectando a un personaje con los segmentos de texto específicos donde son mencionados.
   • La RDHP completa de un libro es una secuencia de estas RHP desconectadas, preservando el tiempo narrativo.

2. Aprendizaje de Representaciones (GraphLit):

   • Inicialización: Los nodos de personaje se inicializan con prompts que contienen nombres y alias; los nodos de segmento se inicializan utilizando Qwen3-Embeddings.
   • Arquitectura: El modelo adapta el marco del Autoencoder enmascarado de Grafos Heterogéneos (HGMAE).
     • Un Decodificador Transformer procesa la secuencia ordenada de atributos de segmento dentro de un bloque para preservar la coherencia del texto.
     • Una columna vertebral de Transformador de Grafo Heterogéneo (HGT) refina las representaciones de los nodos agregando mensajes de los vecinos, distinguiendo entre tipos de nodos y aristas.
   • Objetivos de Entrenamiento: El modelo se entrena mediante auto-supervisión para reconstruir grafos corruptos:
     • Reconstrucción de Aristas: Predecir enlaces enmascarados entre personaje-personaje y personaje-segmento.
     • Reconstrucción de Atributos: Reconstruir los atributos iniciales de los nodos enmascarados (nombres/texto) utilizando una pérdida de coseno escalada.
     • Pérdida de Ordenamiento: Se aplica una pérdida ListMLE para asegurar que el modelo aprenda el orden narrativo correcto de los bloques.
     • Predicción de Enlaces Globales: Una tarea para disociar personajes entre diferentes libros para codificar información a nivel de libro.
   • Agrupación: Se generan representaciones globales para personajes, bloques y libros completos utilizando capas de atención multi-cabeza heterogénea.

Contribuciones Clave

1. Formulación RDHP: La introducción de Redes Dinámicas Heterogéneas de Personajes, que extienden las Redes Dinámicas de Personajes al anclar a los personajes en sus contextos textuales localizados mediante nodos de segmento.
2. Marco GraphLit: Un marco de aprendizaje auto-supervisado que aprende representaciones expresivas a partir de RDHP, superando a las líneas base solo texto y solo grafo.
3. Aplicación en Humanidades Digitales: Una demostración de cómo las medidas topológicas derivadas de RDHP se correlacionan con la no linealidad narrativa (circuitosidad), sugiriendo que las discrepancias sociales son un componente clave de la narración no lineal.

Resultados
El marco fue evaluado en 12 tareas relacionadas con personajes del Benchmark de Incrustaciones de Personajes (CEB) y una tarea de Atribución de Citas.

• Mejoras de Rendimiento: GraphLit supera consistentemente a las líneas base solo texto (por ejemplo, incrustaciones Qwen3) y a las líneas base solo grafo (RDP). Las mejoras son más pronunciadas en tareas contextuales (por ejemplo, identificación de personajes a partir de descripciones enmascaradas, atribución de citas), donde entender la interacción entre personaje y texto es crucial.
• Insights de Ablación:
  • Contexto sobre Estructura Social: Sorprendentemente, eliminar las aristas explícitas personaje-personaje (variante No-RP) resultó en un rendimiento competitivo o ligeramente superior en tareas a nivel de libro y contextuales. Esto sugiere que la fuente principal de información es el anclaje de los personajes en sus contextos textuales dinámicos, más que la estructura de la red social en sí misma.
  • Predicción de Roles: Las redes de personajes explícitas proporcionaron las ganancias más significativas para tareas fundamentadas socialmente como la predicción de roles y la identificación del protagonista.
  • Dinámicas: Las estructuras de RP estáticas rindieron al mismo nivel que las dinámicas para tareas a nivel de libro, indicando que las dinámicas contextuales dentro de los bloques son más críticas que la evolución de la red entre bloques para ciertas tareas.
• No Linealidad Narrativa: El análisis de regresión reveló que las características topológicas derivadas de RDHP (transitividad, ratios de nuevos personajes) se correlacionan significativamente con la no linealidad narrativa. Las incrustaciones de GraphLit capturaron las discrepancias sociales más efectivamente que las incrustaciones solo semánticas, mostrando que las narrativas no lineales a menudo involucran cambios en la focalización social.

Significado
El artículo afirma que GraphLit ofrece un marco reproducible para aprender representaciones literarias ricas que conectan explícitamente la brecha entre enfoques formalistas (estructuras de red) y enfoques textualistas (significantes). Al demostrar que las representaciones de personajes ancladas en el contexto textual son más informativas para tareas posteriores que aquellas que dependen únicamente de grafos de interacción social, el trabajo respalda la visión crítica literaria de que los personajes emergen a través de significantes textuales en evolución. Además, la capacidad de vincular la dinámica de redes sociales con la no linealidad narrativa proporciona una nueva herramienta cuantitativa para las Humanidades Digitales, sugiriendo que la evolución de las relaciones entre personajes es un indicador medible de la estructura narrativa. Los autores señalan que, aunque sus resultados son robustos, el marco depende de un agrupamiento imperfecto de nombres de personajes y que el trabajo futuro podría explorar la resolución de coreferencia y aplicaciones posteriores más amplias.