💬 NLP

Planning Beyond Text: Graph-based Reasoning for Complex Narrative Generation

이 논문은 LLM 의 장편 서사 생성 시 텍스트가 아닌 구조적 그래프 표현을 기반으로 사건 및 캐릭터 간의 논리적 일관성을 최적화하는 'PLOTTER' 프레임워크를 제안하고, 이를 통해 기존 방법론보다 뛰어난 서사적 일관성과 논리적 정합성을 달성했음을 입증합니다.

원저자: Hanwen Gu, Chao Guo, Junle Wang, Wenda Xie, Yisheng Lv

게시일 2026-04-24

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hanwen Gu, Chao Guo, Junle Wang, Wenda Xie, Yisheng Lv

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"PLOTTER"**라는 새로운 인공지능 (AI) 시스템을 소개합니다. 이 시스템은 기존의 AI 가 이야기를 쓸 때 겪는 큰 문제점을 해결하기 위해 고안되었습니다.

간단히 말해, **"AI 가 이야기를 쓸 때, 단순히 글자만 나열하는 게 아니라, 이야기의 뼈대와 관계를 '지도'처럼 그려가며 계획을 세우게 했다"**는 것입니다.

이 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

1. 기존 방식의 문제: "눈가리고 아웅" 식 글쓰기

기존의 AI 는 이야기를 쓸 때 마치 눈을 가리고 벽돌을 쌓는 사람과 비슷했습니다.

방식: "이제부터 이야기를 써줘"라고 하면, AI 는 앞의 문장을 보고 뒤의 문장을 이어 붙이는 식으로 한 줄씩 써나갑니다.
문제: 처음에 쓴 내용은 좋지만, 이야기가 길어지면 앞뒤가 맞지 않게 됩니다.
- 예시: 주인공이 처음엔 겁쟁이였는데, 중간에 이유 없이 영웅이 되거나, 중요한 사건이 왜 일어났는지 설명이 안 되거나, 캐릭터의 성격이 오락가락하는 식입니다.
- 이는 글자 (텍스트) 만 보고 다음 글자를 예측하려다 보니, 전체적인 이야기의 구조나 논리를 잃어버리기 때문입니다.

2. PLOTTER 의 혁신: "건축가처럼 설계도부터 그린다"

PLOTTER 는 이야기를 쓸 때 글자를 먼저 쓰지 않고, 먼저 '설계도 (그래프)'를 그립니다.

마치 고층 빌딩을 지을 때를 생각해보세요.

기존 방식: 벽돌을 하나씩 쌓아가다가 "아, 여기 기둥이 없네? 다시 부수고 다시 쌓자"라고 하는 식입니다. (글을 쓰고 고치는 방식)
PLOTTER 방식: 먼저 **건물의 뼈대 (기둥과 보)**를 설계하고, **사람들이 어떻게 움직일지 (캐릭터 관계)**를 도면으로 그립니다. 그 다음에 벽돌 (대사나 묘사) 을 쌓습니다.

이 시스템은 두 가지 핵심 '지도'를 사용합니다.

① 사건 지도 (Event Graph): "이야기의 뼈대"

비유: 레고 블록의 연결 구조입니다.
역할: "A 사건이 일어나야 B 사건이 가능하다"는 인과관계를 선으로 연결합니다.
효과: "왜 갑자기 폭풍이 불었지?" 같은 논리적 구멍이 생기면, AI 는 글자를 고치는 게 아니라 설계도 (지도) 위에 새로운 레고 블록 (사건) 을 끼워 넣거나 연결선을 수정합니다.

② 캐릭터 지도 (Character Graph): "사람들의 관계도"

비유: 친구 관계도나 가족 관계도입니다.
역할: "A 는 B 를 미워하고, C 는 D 를 사랑한다"는 관계를 기록합니다.
효과: 캐릭터가 갑자기 변하는 것을 막습니다. 예를 들어, "겁쟁이인 A 가 갑자기 용감해졌다"면, 지도를 보고 "아, A 가 용감해지기 전에 '두려움을 극복한 사건'이 하나 더 필요하구나"라고 판단하여 중간에 사건을 추가합니다.

3. 어떻게 작동할까? "건축 감독과 수정 팀"

PLOTTER 는 이야기를 한 번에 끝내지 않고, 수정 (리허설) 과정을 거칩니다.

초안 그리기: AI 가 처음에 사건과 캐릭터 지도를 그립니다.
감독들의 점검 (Multi-Agent Critic):
- 주제 감독: "이 이야기의 핵심 메시지가 흐려진 것 같아."
- 캐릭터 감독: "주인공이 너무 쉽게 변했어. 심리적 준비가 부족해."
- 줄거리 감독: "이 사건과 저 사건 사이에 연결고리가 없어."
수정 팀의 작업 (Constrained Graph Editor):
- 감독들의 지적을 받으면, 수정 팀이 지도 (그래프) 를 직접 고칩니다.
- "여기에 사건 하나를 추가해" 혹은 "이 두 캐릭터의 관계를 '적대'에서 '동맹'으로 바꿔"라고 지도의 선과 점을 직접 조작합니다.
- 이때 **논리 법칙 (시간은 거꾸로 흐르면 안 됨, 모든 사건은 시작과 끝으로 이어져야 함)**을 엄격하게 지키며 고칩니다.
최종 완성: 지도가 완벽하게 다듬어지면, 비로소 AI 가 그 지도를 바탕으로 **대사와 묘사가 들어간 실제 스크립트 (글)**를 씁니다.

4. 왜 이것이 중요한가요?

이 방법은 **"글을 고치는 것"이 아니라 "이야기의 구조를 고치는 것"**입니다.

기존: 글자만 고치면, 앞뒤가 맞지 않는 부분이 계속 생깁니다. (문장 교정만 하는 것)
PLOTTER: 구조를 바로잡으면, 자연스럽게 글도 매끄러워집니다. (건물의 기둥을 바로잡는 것)

결론

PLOTTER 는 AI 가 이야기를 쓸 때 단순한 '글쓰기 기계'가 아니라, '건축가'처럼 생각하게 만든 시스템입니다.

글자 (텍스트) 를 직접 다듬는 대신, 이야기의 뼈대와 관계 (그래프) 를 먼저 설계하고 다듬음으로써, 훨씬 더 논리적이고 감동적인 장편 이야기를 만들어낼 수 있게 되었습니다. 마치 미리 완벽하게 설계된 청사진을 바탕으로 집을 지으니, 집이 무너지지 않고 튼튼해진 것과 같은 이치입니다.

1. 문제 정의 (Problem)

기존의 LLM 기반 서사 생성 방법들은 다음과 같은 심각한 문제점을 안고 있습니다:

전체적 일관성 부재: 장편 서사에서 이야기의 흐름이 끊기거나 (structural fractures), 논리적 모순이 발생합니다.
맥락적 논리성 결여: 사건의 인과관계 (Cause-and-Effect) 가 명확하지 않아 이야기가 비약적으로 전개됩니다.
캐릭터 발전의 부재: 등장인물의 동기가 불명확하거나, 심리적 변화가 자연스럽지 않아 단조로운 대본이 생성됩니다.
근본 원인: 기존 방법들은 직접적인 텍스트 시퀀스 (Sequential Text) 위에서 계획을 수립합니다. 텍스트 기반의 반복적 수정만으로는 복잡한 사건 간의 인과 관계나 캐릭터 간의 역동적인 관계를 명시적으로 모델링하고 추론하기 어렵기 때문입니다.

2. 방법론 (Methodology)

PLOTTER 는 서사 생성을 텍스트 시퀀스 계획 문제가 아닌, 동적 그래프 생성 및 정제 문제로 재정의합니다. 프레임워크는 크게 세 단계로 구성됩니다.

1 단계: 그래프 기반 서사 계획 (Graph-based Script Planning)

제목 생성: 입력된 전제 (Premise) 에서 주제에 맞는 제목을 생성합니다.
초기 그래프 구축:
- 사건 그래프 (Event Graph): 플롯의 인과적 뼈대입니다. 노드는 사건을, 간선은 CAUSAL(인과), FORESHADOWING(예고), SUSPENSE(긴장) 와 같은 관계로 표현됩니다.
- 캐릭터 그래프 (Character Graph): 등장인물 간의 관계를 모델링합니다. 노드는 성격, 내적 갈등, 목표 등을 포함하며, 간선은 갈등, 협력, 감정적 유대 등 유형화된 관계로 정의됩니다.

2 단계: 반복적 그래프 정제 (Iterative Graph Refinement)

LLM 이 생성한 초기 그래프의 구조적 결함을 수정하기 위해 Evaluate-Plan-Revise(평가 - 계획 - 수정) 사이클을 적용합니다.

다중 에이전트 비평가 (Multi-Agent Critic): 세 가지 전문 에이전트가 그래프를 분석합니다.
- Theme Critic: 주제 일관성 및 상징성 부족 진단.
- Character Critic: 캐릭터의 심리적 깊이, 동기 부여, 갑작스러운 태도 변화 진단.
- Plot Critic: 인과 연결의 단절, 논리적 모순, 서사적 리듬 (전환점, 긴장감) 부족 진단.
제약 기반 그래프 편집기 (Constrained Graph Editor): 비평가들이 지적한 문제를 해결하기 위해 원자적 편집 작업 (노드 추가, 삭제, 연결 변경 등) 을 수행합니다.
- 핵심 제약 조건: 모든 수정은 두 가지 결정론적 기호 제약 조건을 만족해야만 적용됩니다.
  1. 인과적 합리성 ( $K_C$ ): 사건 그래프는 **방향성 비순환 그래프 (DAG)**여야 합니다 (시간의 역행이나 논리적 루프 방지).
  2. 서사적 완전성 ( $K_N$ ): 모든 노드는 시작점에서 도달 가능하고 끝점으로 이어지는 경로가 있어야 합니다 (고립된 사건 방지).
- 이 과정을 통해 텍스트 생성 전에 논리적 뼈대가 완전히 검증된 최적화된 그래프 ( $G^*$ ) 를 확보합니다.

3 단계: 그래프 기반 대본 합성 (Graph-Grounded Script Synthesis)

최적화된 그래프를 자연어 대본으로 변환합니다.

그래프 직렬화 (Serialization): 그래프를 논리적 순서의 텍스트 시퀀스로 변환하되, 인과 관계와 긴장감을 유지합니다.
상태 인지 콘텐츠 생성 (State-Aware Generation):
- 생성된 장면 (Scene) 마다 이전 장면의 맥락 (대화, 사건 발전) 을 유지하는 **동적 내러티브 상태 ( $M_i$ )**를 업데이트하며 진행합니다.
- 사전에 최적화된 그래프 구조와 캐릭터 프로필을 조건으로 하여, 캐릭터의 일관성과 사건의 논리를 유지하면서 대본을 생성합니다.

3. 주요 기여 (Key Contributions)

PLOTTER 프레임워크 제안: 텍스트가 아닌 구조적 그래프 표현 위에서 서사 계획을 수행하는 최초의 프레임워크로, 복잡한 서사 생성에서의 장기적 인과 추론 능력을 향상시켰습니다.
반복적 구조 정제 시스템: 사건 그래프와 캐릭터 그래프를 대상으로 전문 에이전트들이 협력하여 Evaluate-Plan-Revise 사이클을 수행함으로써, 텍스트 기반 계획에서는 불가능했던 정밀한 구조적 진단과 수정을 가능하게 했습니다.
실증적 검증: 다양한 시나리오와 여러 LLM 백본 (GPT-4.1, DeepSeek-R1, Qwen3 등) 을 통해 기존 최첨단 방법론 (LLM-Plan-Write, Dramatron, DOC) 보다 월등히 우수한 성능을 입증했습니다.

4. 실험 결과 (Results)

정량적 평가: 5 가지 평가 차원 (서사, 주제 표현, 캐릭터화, 극적 몰입, 전제 충실도) 에서 PLOTTER 가 모든 백본 모델에서 기존 방법론을 압도적으로 능가했습니다. 특히 **캐릭터화 (Characterization)**와 극적 몰입 (Dramatic Engagement) 분야에서 가장 큰 우위를 보였습니다.
정성적 평가: 인간 평가자 (전문 시나리오 작가) 와 LLM 평가자 간의 일치도가 높았으며, PLOTTER 가 생성한 대본은 논리적 결함이 적고 캐릭터의 심리적 발전이 자연스러웠습니다.
객관적 지표: 생성된 텍스트의 다양성 (Distinct-2, MATTR) 이 높고 중복성 (Self-BLEU) 이 낮아, 단순한 길이 증가가 아닌 질적인 향상이었음을 확인했습니다.
Ablation Study: 주제, 캐릭터, 플롯 에이전트 중 하나라도 제거될 경우 성능이 크게 저하되었으며, 세 에이전트가 협력할 때 시너지 효과 (+29%~34% 성능 향상) 가 발생함을 입증했습니다.

5. 의의 및 결론 (Significance)

이 연구는 LLM 의 복잡한 서사 생성 능력을 향상시키기 위해서는 텍스트 직접 계획이 아닌, 구조적 그래프 표현을 통한 계획이 필수적임을 증명했습니다.

논리적 엄밀성: 그래프 기반의 명시적 제약 조건 (DAG, Reachability) 을 통해 LLM 이 자주 범하는 논리적 오류와 할루시네이션을 사전에 차단합니다.
확장성: 사건과 캐릭터의 관계를 그래프로 모델링함으로써, 장편 서사에서도 일관된 세계관과 캐릭터 아크를 유지할 수 있는 새로운 패러다임을 제시합니다.
미래 방향: 추론 효율성 최적화와 더 다양한 장르 및 문화적 내러티브 로직으로의 확장이 향후 과제로 제시되었습니다.

요약하자면, PLOTTER 는 "쓰기 전에 먼저 구조를 설계하고 검증한다"는 인간 작가의 사고 과정을 그래프와 에이전트 시스템을 통해 구현함으로써, AI 가 생성하는 스토리의 질을 획기적으로 높인 획기적인 연구입니다.