💬 NLP

ttda704 at SemEval-2026 Task 4: Modeling Narrative Structures via Pseudonymization and Multi-View Sentence Alignment

L'article présente l'approche de l'équipe ttda704 pour la tâche 4 de SemEval-2026, qui emploie l'apprentissage contrastif avec des transformateurs de phrases affinés pour modéliser la similitude narrative à travers deux pipelines distincts : une méthode à vue unique pour l'encodage narratif complet et une méthode à vues multiples pour aligner les composantes thématiques, d'intrigue et de dénouement spécifiques.

Auteurs originaux : Tai Tran Tan, An Dinh Thien

Publié 2026-06-16

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Tai Tran Tan, An Dinh Thien

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez d'apprendre à un ordinateur à comprendre les histoires, non pas en comptant simplement les mots, mais en comprenant l'âme de l'intrigue. C'est exactement ce que l'équipe derrière « ttda704 » a fait pour une compétition appelée SemEval-2026.

Voici une décomposition simple de leur approche, utilisant des analogies de la vie quotidienne.

Le gros problème : Le piège du « Jeu des noms »

Habituellement, lorsqu'un ordinateur compare deux histoires, il se laisse piéger par les noms. Si l'Histoire A parle d'un garçon nommé Tim qui combat un dragon, et que l'Histoire B parle d'une fille nommée Sarah qui combat un dragon, un ordinateur simple pourrait penser qu'elles sont totalement différentes parce que « Tim » et « Sarah » sont des mots différents.

Mais un humain sait : Attendez : les deux histoires parlent d'un héros combattant un dragon. Elles sont en fait très similaires.

Les auteurs voulaient que l'ordinateur ignore les noms pour se concentrer sur la structure de l'histoire.

La solution : Deux pipelines différents

L'équipe a construit deux différentes « machines » (pipelines) pour résoudre deux parties différentes du puzzle.

Piste A : Le détective « aux yeux bandés » (Vue unique)

L'objectif : On vous donne une histoire « Ancre » et deux autres histoires. Vous devez choisir laquelle est la plus similaire à l'Ancre.

L'astuce : La pseudonymisation (Le bandeau sur les yeux)
Avant que l'ordinateur ne lise l'histoire, l'équipe joue à un jeu de « Mad Libs ». Ils prennent chaque nom spécifique (comme « Tim », « Le Dragon », « Londres ») et les remplacent par des étiquettes génériques comme Personnage_A, Monstre_B et Lieu_1.

Pourquoi ? Cela force l'ordinateur à arrêter de regarder qui fait les choses pour commencer à regarder ce qui se passe. C'est comme écouter une histoire où tout le monde porte un masque ; vous ne pouvez juger l'intrigue que par les actions, pas par les visages.

Le moteur : Le gel intelligent (Smart Freezing)
Ils ont utilisé un cerveau pré-entraîné puissant (un transformateur de phrases) pour lire ces histoires masquées. Pour éviter que le cerveau n'« oublie » comment parler anglais tout en apprenant cette nouvelle tâche, ils ont utilisé un Gel de couches intelligent (Smart Layer Freezing).

Analogie : Imaginez un chef cuisinier expert (le modèle pré-entraîné) apprenant à cuisiner un plat spécifique. Vous lui dites : « Ne changez pas votre façon de couper les oignons ou de faire bouillir l'eau (les couches inférieures), mais vous pouvez inventer de nouvelles sauces pour ce plat spécifique (les couches supérieures). » Cela l'empêche de trop réfléchir et de commettre des erreurs.

Le résultat : Cette méthode a bien fonctionné, permettant à l'équipe de se classer 14e sur 42 équipes.

Piste B : Le « Tabouret à trois pieds » (Multi-vues)

L'objectif : Au lieu de simplement choisir un vainqueur, l'équipe devait transformer chaque histoire en une « empreinte digitale » unique (un vecteur) afin que les histoires similaires se retrouvent proches les unes des autres dans un espace numérique.

L'astuce : Décomposer l'histoire
L'équipe a réalisé qu'une histoire n'est pas une chose unique. Elle possède trois parties distinctes, comme les pieds d'un tabouret :

Le Thème : La grande idée (ex : « La Vengeance » ou « Le Passage à l'âge adulte »).
L'Intrigue : La séquence d'événements (ex : « Le héros est blessé, puis il riposte »).
Le Dénouement : Comment cela se termine (ex : « Le héros gagne » ou « Le héros apprend une leçon »).

Le processus :

Extraction : Ils ont utilisé une IA super intelligente (LLM) pour lire l'histoire et en extraire ces trois parties spécifiques, en les rédigeant sous forme de résumé.
Alignement : Ils ont créé un système spécial qui apprend à comparer les histoires en se basant sur ces trois pieds en même temps.
- Analogie : Imaginez essayer de faire correspondre deux personnes par leur visage, leur voix et leur démarche. Si vous ne regardez que le visage, vous pourriez vous tromper. Mais si vous regardez ensemble le visage, la voix et la démarche, vous êtes beaucoup plus précis.
Auto-correction : Ils ont ajouté une règle pour s'assurer que les parties « Thème », « Intrigue » et « Dénouement » concordent toutes entre elles, créant ainsi une empreinte digitale d'histoire unifiée.

Le résultat : Cette approche multi-vues les a aidés à se classer 6e sur 25 équipes.

La recette secrète : Les données synthétiques

L'équipe ne disposait pas de suffisamment d'histoires réelles étiquetées par des humains pour entraîner leurs modèles parfaitement. Ils ont donc utilisé l'IA pour inventer des milliers d'exemples d'histoires fictives (données synthétiques) pour s'entraîner.

Analogie : C'est comme un pilote s'entraînant dans un simulateur de vol. Il n'a pas besoin de voler dans un vrai avion au milieu d'une tempête pour apprendre ; il peut d'abord s'entraîner sur une simulation informatique. Cela a permis d'entraîner leurs modèles efficacement sans avoir besoin d'une immense bibliothèque d'histoires notées par des humains.

Résumé de ce qu'ils ont affirmé

Ils n'ont pas utilisé d'IA coûteuse et lente pour générer des réponses pendant le test. Au lieu de cela, ils ont construit un système rapide et efficace qui apprend d'abord les motifs, puis les applique rapidement.
Ils ont prouvé que supprimer les noms (pseudonymisation) aide les ordinateurs à mieux comprendre la structure d'une histoire que la simple lecture du texte brut.
Ils ont prouvé que décomposer une histoire en Thème, Intrigue et Dénouement crée une bien meilleure « empreinte digitale » pour comparer les histoires que de traiter l'histoire comme un seul gros bloc de texte.

En bref, ils ont appris à un ordinateur à ignorer les « noms » et le « bruit » pour se concentrer entièrement sur la forme et le flux de l'histoire.

Résumé technique : ttda704 à SemEval-2026 Task 4

Énoncé du problème
L'article traite de la tâche 4 de SemEval-2026, qui met au défi les participants de modéliser la similitude narrative et l'apprentissage de représentations. La difficulté centrale réside dans la distinction entre le chevauchement lexical de surface et la structure narrative profonde. Comme l'ont noté Hatzel et Biemann (2024a), une comparaison efficace des récits nécessite de capturer des dimensions latentes telles que les thèmes abstraits, la progression de l'intrigue (cours de l'action) et les dénouements finaux, plutôt que de s'appuyer sur une simple correspondance de mots-clés ou l'extraction d'événements. Les auteurs soulignent que si les modèles de langage génératifs (LLM) peuvent raisonner à travers ces ambiguïtés, leur coût de calcul et leur latence les rendent peu pratiques pour les tâches de recherche et d'encodage (embedding) à grande échelle. Par conséquent, l'objectif est de développer un système efficace, basé sur des plongements lexicaux, capable de capturer les nuances structurelles du récit sans dépendre d'une génération coûteuse lors de l'inférence.

Méthodologie
Les auteurs proposent un cadre d'apprentissage contrastif utilisant des transformateurs de phrases (sentence transformers) affinés, implémenté via deux pipelines distincts correspondant aux pistes de la tâche :

Piste A (Classification à vue unique) : Ce pipeline se concentre sur la détermination de laquelle de deux histoires candidates est narrativement la plus proche d'une histoire ancre.
- Pseudonymisation : Pour atténuer les corrélations spécieuses causées par des noms d'entités spécifiques (ex: chevauchement de personnages ou de lieux), les auteurs appliquent une étape de normalisation référentielle. En utilisant fastcoref et spaCy, ils mappent les mentions répétées d'une même entité vers des marqueurs génériques cohérents (ex: "Personnage_A") tout en préservant la coréférence intra-récit. Cela force le modèle à prêter attention à la progression sémantique plutôt qu'à l'identité lexicale.
- Architecture et entraînement : Le système utilise le modèle all-mpnet-base-v2 comme colonne vertébrale. Pour éviter le surapprentissage et préserver les connaissances linguistiques pré-entraînées, une stratégie de « Gel Intelligent des Couches » (Smart Layer Freezing) est employée : les paramètres d'encodage et les 40 % inférieurs des couches du transformateur sont gelés, tandis que les couches supérieures sont affinées. Le modèle est entraîné avec une perte de marge de triplet (triplet-margin loss) sur des données synthétiques.
Piste B (Apprentissage de représentation multi-vues) : Ce pipeline génère des plongements vectoriels où la similitude cosinus reflète l'affinité narrative.
- Décomposition multi-vues : Au lieu d'encoder le texte complet comme un vecteur unique, les auteurs décomposent chaque histoire en trois vues distinctes à l'aide de LLM (spécifiquement o3-mini) : le Thème (idée directrice centrale), l'Intrigue (séquence chronologique d'événements changeant l'état) et le Dénouement (résolution).
- Apprentissage contrastif : Le modèle emploie des têtes de projection spécifiques à chaque vue pour mapper ces composants dans des espaces de plongement orthogonaux. Une fonction de perte contrastive ( $L_{con}$ ) est appliquée à chaque vue pour maximiser la similitude entre les facettes narratives correspondantes et la minimiser pour celles qui ne correspondent pas.
- Alignement auto-supervisé : Pour assurer la cohérence entre les différentes vues, une perte d'alignement ( $L_{align}$ ) est introduite. Cette perte minimise la distance entre l'encodage fusionné (une somme pondérée des quatre vues : texte complet, thème, intrigue, dénouement) et la moyenne des plongements individuels des vues, encourageant ainsi un espace conjoint unifié.
- Fusion : Lors de l'inférence, les plongements des quatre composantes sont fusionnés en utilisant des poids fixes (0,5 pour le texte complet, 0,1 pour le thème, 0,2 pour l'intrigue, 0,2 pour le dénouement) suivis d'une normalisation L2.

Contributions clés
L'article expose trois contributions principales :

Représentation narrative augmentée par LLM : Un cadre déterministe qui exploite les LLM strictement pour l'augmentation de données hors ligne (extraction synthétique des structures narratives) et la décomposition structurelle, tout en s'appuyant sur des transformateurs de phrases efficaces et affinés pour l'inférence de similitude finale.
Modélisation structurelle multi-vues : Une approche d'apprentissage contrastif qui modélise explicitement les trois aspects fondamentaux de la similitude narrative (thème, cours de l'action, dénouement) via des têtes de projection spécifiques aux vues et un alignement auto-supervisé, décomposant les signaux complexes en espaces orthogonaux.
Entraînement contrastif robuste : L'implémentation de l'optimisation de marge de triplet combinée au gel intelligent des couches pour améliorer la généralisation tout en préservant la nuance des structures narratives.

Résultats

Piste A : Le système a obtenu un score privé de 0,6925, se classant 14ème sur 42 équipes. L'utilisation de données pseudonymisées a produit une amélioration constante par rapport aux données brutes (0,6650 à 0,6925) pour le modèle all-mpnet-base-v2. Les auteurs attribuent cela à l'élimination du bruit spécifique aux entités, forçant le modèle à se concentrer sur la structure sémantique.
Piste B : Le système s'est classé 6ème sur 25 participants avec un score privé de 0,6875. Les études d'ablation sur l'ensemble de développement ont indiqué qu'une stratégie de fusion pondérée (mettant l'accent sur le texte complet à 0,5, avec des poids plus faibles pour le thème, l'intrigue et le dénouement) surpassait l'équilibrage égal ou les approches à vue unique. La combinaison de all-mpnet-base-v2 et de l'extracteur LLM o3-mini a produit les meilleurs résultats.

Signification et limites
Les auteurs affirment que leur approche offre une alternative pratique à l'inférence générative par LLM pour la recherche narrative à grande échelle. En déplaçant la charge de calcul vers une phase de génération de données hors ligne et en utilisant des modèles d'encodage efficaces lors de l'inférence, le système atteint des performances compétitives avec une latence nettement inférieure.

Cependant, l'article reconnaît modestement plusieurs limites :

Généralisation : Les modèles reposent sur des données d'entraînement synthétiques et pourraient ne pas se généraliser pleinement à des styles ou domaines narratifs divers sans adaptation supplémentaire.
Bruit d'extraction : Le pipeline multi-vues dépend d'éléments narratifs extraits automatiquement ; sans un audit de qualité manuel dédié de ces extractions, des erreurs résiduelles dans la cohérence du thème ou de l'intrigue peuvent subsister sans être quantifiées.
Réglage des hyperparamètres : Les poids de fusion fixes et les réglages de température ont été ajustés sur l'ensemble de développement et pourraient ne pas être optimaux pour des domaines non vus.

L'étude conclut que bien que l'approche évite les coûts prohibitifs du raisonnement génératif, la dépendance aux données synthétiques et à l'extraction automatisée introduit des contraintes sur la robustesse des représentations apprises.