기술 요약: S2tory – 영화 대본 요약화를 위한 스토리 스파인 증류

1. 문제 정의

영화 대본의 자동 요약은 전통적인 텍스트 요약과 구별되는 고유한 과제를 제시합니다. 대본은 비선형적이고 교차 편집된 내러티브 구조를 지니고 있어, 표면적 중요도 방법 (예: 어휘 빈도나 얕은 구조적 패턴) 은 핵심 스토리 진행을 보존하는 데 실패합니다. MENSA (중요도 기반 장면 선택) 와 DiscoGraMS (캐릭터/대화 그래프 모델링) 와 같은 기존 접근 방식은 데이터 기반 패턴에 크게 의존하며, 내러티브 인과 관계를 지배하는 근본적인 상징적 논리를 종종 놓칩니다. 결과적으로 현재 모델들은 장편 스토리의 "내러티브 척추"를 유지하는 데 어려움을 겪으며, 종종 분위기 세부 사항과 필수적인 줄거리를 혼동합니다.

2. 방법론: S2tory 프레임워크

저자들은 대본의 내러티브 논리를 재구성하기 위해 바르트의 *핵심 (nuclei)*과 위성 (satellites) 구별과 같은 내러티브 이론에 기반한 S2tory(스토리 스파인 증류) 프레임워크를 제안합니다. 이 방법론은 세 가지 명확한 단계로 운영됩니다:

2.1 이론적 공식화

이 프레임워크는 캐릭터, 사건, 상태, 상태 전이를 나타내는 사중체 $(C, E, S, R)$로 스토리 세계를 모델링합니다.

• 핵심 vs 위성: **핵심 (nucleus)**은 내러티브 궤적에 필수적인 사건으로 정의되며, 이를 제거하면 캐릭터 발전의 연속성이 깨집니다. **위성 (satellite)**은 분위기나 감정을 풍부하게 하지만 내러티브 경로를 변경하지 않는 보조 사건입니다.
• 캐릭터 역학: 시스템은 사건에 의해 유발된 캐릭터 상태 전이 ($r: s_t \to s_{t+1}$) 를 추적합니다. 전이는 내재적(내적 성찰) 또는 외재적(외부 유발) 으로 분류됩니다. 특정 사건의 제거가 캐릭터의 속성 (목표, 정체성, 소속) 에서 감지 가능한 상태 변화를 방해할 때, 그 사건은 핵심으로 간주됩니다.

2.2 내러티브 전문가 에이전트 (NEAgent)

이 이론을 운영화하기 위해 저자들은 GPT-4o 기반의 컨텍스트 학습 (ICL) 에이전트인 NEAgent를 도입합니다.

• 기능: NEAgent는 장면별로 대본을 처리하며, 진화하는 캐릭터 상태와 사건 의존성에 대한 롤링 메모리를 유지합니다.
• 추론: 이는 각 내러티브 단위 (문장/대사) 에 대해 반사실적 추론을 수행합니다. 특정 단위를 제거하면 캐릭터 궤적의 구조적 연속성이 방해받는지 평가합니다.
• 출력: 에이전트는 단위를 핵심 ($\kappa=1$) 또는 위성 ($\kappa=0$) 으로 분류하여 실질적으로 "스토리 스파인"을 증류합니다.

2.3 증류 및 요약화 파이프라인

NEAgent가 대규모 추론에 계산 비용이 많이 든다는 점을 인식하여, 저자들은 2 단계 증류 과정을 사용합니다:

1. 추론 증류: 자연화된 내러티브 텍스트, NEAgent의 상징적 추론 흔적, 그리고 식별된 핵심 집합을 포함하는 데이터셋 ($D_{distill}$) 을 사용하여 학생 모델 (Qwen2.5-7B) 을 미세 조정합니다. 이를 통해 더 작은 모델이 줄거리 핵심을 식별하는 전문가의 논리를 모방하도록 학습시킵니다.
2. 핵심 조건부 요약화: 최종 요약기 (Qwen2.5-0.5B) 는 입력이 증류된 핵심 집합 ($B_i$) 이고 목표가 참조 요약인 데이터셋 ($D_{sum}$) 에서 훈련됩니다. 이 모델은 식별된 줄거리 핵심에 엄격히 조건부인 최종 요약을 생성합니다.

3. 주요 기여

• 내러티브 이론 기반 프레임워크: 표면적 텍스트 패턴에만 의존하는 대신 캐릭터 아크 궤적을 통해 내러티브 구조를 명시적으로 모델링하는 S2tory의 도입.
• 전문가 에이전트 및 증류: 이론 제약 추론을 위한 NEAgent 설계와 이 복잡한 추론 능력을 작고 효율적인 모델로 이전하는 새로운 증류 파이프라인.
• 최첨단 성능: MovieSum 벤치마크에서 최첨단 결과를 달성하면서도, 대본 특정 포맷이 아닌 내러티브 논리를 학습했음을 입증하기 위해 프로즈 (BookSum) 데이터셋에 대한 강력한 제로샷 일반화를 보임.

4. 실험 결과

실험은 MovieSum 데이터셋 (대본) 과 BookSum 데이터셋 (프로즈) 에서 수행되었습니다.

• MovieSum 성능: S2tory는 ROUGE-1 45.98 및 ROUGE-L 42.45로 최첨단 결과를 달성했습니다. 이는 추출식 베이스라인 (예: TextRank, Lead-1024) 보다 32~38% 크게 우세했으며, 추상식 모델의 성능과 맞먹으면서도 훨씬 높은 압축 비율 (다른 모델의 55.2% 대비 28.4%) 로 작동했습니다.
• 의미적 충실도: 이 모델은 모든 방법 중 가장 높은 BERTScore 재현율 (59.36) 을 달성하여 참조 요약과의 우수한 정렬을 나타냈습니다.
• 어블레이션 연구: NEAgent에서 캐릭터 궤적 프로파일링 모듈을 제거하면 BERTScore F1 이 59.23 에서 53.69 로 크게 하락하여, 캐릭터 발전을 모델링하는 것이 내러티브 핵심을 식별하는 데 결정적임을 확인했습니다.
• 인간 평가: 내러티브 이론을 훈련받은 인간 평가자들은 S2tory를 필수성 (3.84/5), 일관성 (3.91/5), 캐릭터 일관성 (4.18/5) 에서 높게 평가했습니다. 특히 "위성 감소"에 대한 인간 점수가 자동 지표보다 높았는데, 이는 표준 LLM 보다 모델이 비필수 콘텐츠를 성공적으로 필터링함을 시사합니다.
• 외부 도메인 일반화: 미세 조정 없이 BookSum 에 적용되었을 때, 생성된 핵심의 85% 이상이 LLM-as-Judge 평가자에 의해 내러티브적으로 필수적인 것으로 판단되어, 대본 포맷을 넘어선 강력한 일반화를 입증했습니다.

5. 중요성 및 주장

이 논문은 영화 대본과 같은 복잡한 내러티브에 대한 효과적인 장편 요약은 데이터 기반 패턴 매칭에서 상징적 표현과 신경 추상화의 결합으로의 전환이 필요하다고 주장합니다.

• 이론적 타당성: 저자들은 내러티브 이론이 비선형 내러티브를 모델링하는 데 "필수적인 기초"를 제공한다고 주장합니다. 구조적 필요성 (핵심) 과 표면적 중요도 (위성) 를 명시적으로 구별함으로써, 이 프레임워크는 중요도 기반 접근법의 한계를 극복합니다.
• 효율성 대 품질: S2tory는 의미적 일관성을 희생하지 않으면서 표준 추상식 방법보다 훨씬 높은 압축 비율 (약 3.5 배) 로 고품질 요약을 달성할 수 있음을 보여줍니다.
• 일반화 가능성: BookSum에서의 성공은 S2tory의 핵심 역량이 캐릭터 중심 인과 추론의 내면화에 있음을 시사하며, 이는 특정 데이터셋 구조에 과적합되는 대신 다양한 내러티브 형식 (대본 대 프로즈) 에서 일반화될 수 있음을 의미합니다.

결론적으로, S2tory는 구조적으로 복잡하고 장편인 내러티브에 대한 고품질 요약을 가능하게 하는 열쇠는 캐릭터 발전 궤적을 통한 "스토리 스파인"의 복원에 있다고 주장합니다.