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

Résumé technique : GraphLit : Apprentissage de représentations dynamiques de réseaux de personnages enrichies par le texte pour l'étude littéraire

Énoncé du problème
Les méthodes computationnelles existantes pour modéliser les personnages fictifs relèvent généralement de deux catégories, qui toutes deux souffrent de limitations significatives. Premièrement, les approches de Réseaux de Personnages (RP) modélisent les personnages comme des nœuds et leurs interactions comme des arêtes (par exemple, la co-occurrence ou le dialogue). Bien qu'efficaces pour capturer les structures sociales, ces méthodes traitent souvent les personnages comme des fonctions statiques, négligeant le riche contexte textuel (signifiants tels que les noms, les descriptions et les schémas de parole) dans lequel les personnages apparaissent. Deuxièmement, les méthodes basées sur le texte et les Modèles de Langage à Grande Échelle (LLM) capturent les nuances textuelles mais échouent à intégrer les dynamiques sociales inhérentes aux réseaux de personnages. De plus, les représentations basées sur les LLM peinent souvent à généraliser à des romans non vus et dépendent de données protégées par le droit d'auteur, ce qui entrave la reproductibilité. Il existe un besoin d'un cadre qui représente explicitement à la fois l'information textuelle et relationnelle au sein d'un corpus reproductible et du domaine public.

Méthodologie
Les auteurs proposent GraphLit, un cadre d'apprentissage auto-supervisé construit sur la base de Réseaux Dynamiques Hétérogènes de Personnages (RDHP).

1. Construction des données (RDHP) :

   • Le cadre traite de longs romans provenant de Project Gutenberg (environ 20 000 livres) en les divisant en blocs de texte localisés temporellement.
   • Au sein de chaque bloc, un Réseau Hétérogène de Personnages (RHP) est construit, contenant deux types de nœuds : des nœuds Personnages et des nœuds Segments (fragments de texte).
   • Les Arêtes sont définies comme suit :
     • Personnage-Personnage : Basées sur la co-occurrence dans une fenêtre restrictive (20 mots).
     • Personnage-Segment : Reliant un personnage aux segments de texte spécifiques où il est mentionné.
   • Le RDHP complet d'un livre est une séquence de ces RHP déconnectés, préservant le temps narratif.

2. Apprentissage des représentations (GraphLit) :

   • Initialisation : Les nœuds Personnages sont initialisés avec des invites contenant les noms et les alias ; les nœuds Segments sont initialisés en utilisant les Qwen3-Embeddings.
   • Architecture : Le modèle adapte le cadre du Auto-encodeur Masqué de Graphes Hétérogènes (HGMAE).
     • Un Décodeur Transformer traite la séquence ordonnée des attributs de segments au sein d'un bloc pour préserver la cohérence du texte.
     • Un squelette Transformer de Graphes Hétérogènes (HGT) affine les représentations de nœuds en agrégeant des messages des voisins, distinguant les types de nœuds et d'arêtes.
   • Objectifs d'entraînement : Le modèle est entraîné par auto-supervision pour reconstruire des graphes corrompus :
     • Reconstruction d'arêtes : Prédire les liens masqués entre personnages et entre personnages et segments.
     • Reconstruction d'attributs : Reconstruire les attributs de nœuds initiaux masqués (noms/texte) en utilisant une perte de cosinus mise à l'échelle.
     • Perte d'ordonnancement : Une perte ListMLE est appliquée pour s'assurer que le modèle apprend le bon ordre narratif des blocs.
     • Prédiction de liens globaux : Une tâche visant à dissocier les personnages entre différents livres pour encoder des informations au niveau du livre.
   • Regroupement (Pooling) : Des représentations globales pour les personnages, les blocs et les livres entiers sont générées en utilisant des couches d'attention multi-têtes hétérogènes.

Contributions clés

1. Formulation RDHP : L'introduction des Réseaux Dynamiques Hétérogènes de Personnages, qui étendent les Réseaux Dynamiques de Personnages en ancrant les personnages dans leurs contextes textuels localisés via des nœuds de segments.
2. Cadre GraphLit : Un cadre d'apprentissage auto-supervisé qui apprend des représentations expressives à partir de RDHP, surpassant les bases de référence uniquement textuelles et uniquement graphiques.
3. Application en Humanités Numériques : Une démonstration de la manière dont les mesures topologiques dérivées des RDHP corrélatent avec la non-linéarité narrative (circuitosité), suggérant que les écarts sociaux sont un composant clé de la narration non linéaire.

Résultats
Le cadre a été évalué sur 12 tâches liées aux personnages issues de la Référence d'Intégration de Personnages (CEB) et sur une tâche d'attribution de citations.

• Gains de performance : GraphLit surpasse systématiquement les bases de référence uniquement textuelles (par exemple, les embeddings Qwen3) et uniquement graphiques (RDP). Les améliorations sont les plus prononcées dans les tâches contextuelles (par exemple, l'identification de personnages à partir de descriptions masquées, l'attribution de citations), où la compréhension de l'interaction entre personnage et texte est cruciale.
• Insights des ablations :
  • Contexte plutôt que structure sociale : Étonnamment, la suppression des arêtes explicites entre personnages (variante Sans-RP) a donné des performances compétitives ou légèrement supérieures sur les tâches au niveau du livre et contextuelles. Cela suggère que la source principale d'information est l'ancrage des personnages dans leurs contextes textuels dynamiques, plutôt que la structure du réseau social elle-même.
  • Prédiction de rôle : Les réseaux de personnages explicites ont apporté les gains les plus significatifs pour les tâches ancrées socialement comme la prédiction de rôle et l'identification du protagoniste.
  • Dynamiques : Les structures de RP statiques ont performé à égalité avec les dynamiques pour les tâches au niveau du livre, indiquant que les dynamiques contextuelles au sein des blocs sont plus critiques que l'évolution du réseau à travers les blocs pour certaines tâches.
• Non-linéarité narrative : L'analyse de régression a révélé que les caractéristiques topologiques dérivées des RDHP (transitivité, ratios de nouveaux personnages) corrèlent significativement avec la non-linéarité narrative. Les embeddings GraphLit ont capturé les écarts sociaux plus efficacement que les embeddings purement sémantiques, montrant que les récits non linéaires impliquent souvent des changements de focalisation sociale.

Signification
L'article affirme que GraphLit offre un cadre reproductible pour apprendre des représentations littéraires riches qui comblent explicitement le fossé entre les approches formalistes (structures de réseaux) et les approches textualistes (signifiants). En démontrant que les représentations de personnages ancrées dans le contexte textuel sont plus informatives pour les tâches en aval que celles reposant uniquement sur des graphes d'interaction sociale, l'œuvre soutient la perspective critique littéraire selon laquelle les personnages émergent par le biais de signifiants textuels évolutifs. De plus, la capacité à relier les dynamiques de réseaux sociaux à la non-linéarité narrative fournit un nouvel outil quantitatif pour les Humanités Numériques, suggérant que l'évolution des relations entre personnages est un indicateur mesurable de la structure narrative. Les auteurs notent que, bien que leurs résultats soient robustes, le cadre repose sur un regroupement imparfait des noms de personnages et que des travaux futurs pourraient explorer la résolution de coréférence et des applications en aval plus larges.