💬 NLP

Narrative Knowledge Weaver: Narrative-Centric Retrieval-Augmented Reasoning for Long-Form Text Understanding

이 논문은 텍스트 증거, 그래프 구조, 그리고 서사 특화 도구를 통합하여 진화하는 이야기 세계에 대한 추론 능력을 향상시키는 소스 기반 프레임워크인 Narrative Knowledge Weaver(NKW)를 소개하며, 기존의 검색 및 그래프 증강 방식보다 긴 형태의 서사 질의응답 작업에서 우수한 성능을 입증한다.

원저자: Qiuyu Tian, Fengyi Chen, Yiding Li, Youyong Kong, Fan Guo, Yuyao Li, Jinjing Shen, Zhijing Xie, Yiyun Luo, Xin Zhang, Yingce Xia, Zequn Liu

게시일 2026-06-05

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Qiuyu Tian, Fengyi Chen, Yiding Li, Youyong Kong, Fan Guo, Yuyao Li, Jinjing Shen, Zhijing Xie, Yiyun Luo, Xin Zhang, Yingce Xia, Zequn Liu

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

당신이 미스터리를 풀려고 노력하고 있다고 상상해 보세요. 하지만 몇 페이지의 단서가 아니라, 한 권의 소설, 영화 시나리오, 혹은 긴 시리즈의 이야기를 가지고 있는 상황입니다. 현재 AI 어시스턴트들의 문제는 "자동차 색깔이 무엇이었나요?"라고 물었을 때 특정 문장을 찾아내는 데는 뛰어나지만, "1막에서 일어난 일과 2막에서 변화한 관계를 고려할 때, 왜 주인공이 3막에서 배신감을 느꼈나요?"라고 물으면 길을 잃는다는 점입니다.

현재의 AI 도구들은 이야기를 흩어진 벽돌 더미처럼 취급합니다. 그들은 벽돌 하나(문단)를 집어 들거나 두 벽돌 사이의 연결 고리(관계)를 볼 수는 있습니다. 하지만 그들은 집이 지어지는 과정, 즉 플롯의 흐름, 캐릭터의 감정 변화, 그리고 수백 페이지에 걸쳐 이어지는 인과관계의 사슬을 보는 데는 어려움을 겪습니다.

이 논문은 **내러티브 지식 위버(Narrative Knowledge Weaver, NKW)**라는 새로운 시스템을 소개합니다. NKW를 단순히 책을 건네주는 사서가 아니라, 숙련된 스토리텔러이자 탐정이 결합된 존재라고 생각해보세요.

작동 원리는 다음과 같습니다. 이해를 돕기 위해 쉬운 비유를 사용하겠습니다.

1. 문제점: "평면 지도" vs "살아있는 도시"

도시 지도를 상상해 보세요.

기존 AI (평면 지도): 건물(캐릭터)이 어디에 있고 그들을 연결하는 도로(관계)가 어디에 있는지는 보여줍니다. 하지만 베이커리가 오후 5시에 문을 닫았다거나, 시장이 어제 제빵가에게 화를 냈기 때문에 오늘 제빵가가 슬퍼하고 있다는 사실은 알려주지 못합니다. 이를 정적인 상태로 봅니다.
이야기의 실체: 이야기는 시간이 흐르고, 사람들이 마음을 바꾸며, 작은 사건 하나(커피를 쏟는 일)가 연쇄 반응(기차를 놓침, 회의에 불참함, 약혼이 깨짐)을 일으키는 살아있는 도시와 같습니다.
불일치: 기존 AI에게 복잡한 이야기 질문을 던지면, AI는 그 벽돌의 서사적 역할을 이해하지 못하기 때문에 잘못된 "벽돌"을 집어 듭니다. 이 장면이 설정인가요? 절정인가요? 아니면 결과인가요?

2. 해결책: "위버(Weaver, 짜는 사람)"

NKW가 "위버"라고 불리는 이유는 단순히 사실을 저장하는 것이 아니라, 이야기의 흐름을 포착하여 그것들을 하나의 태피스트리로 엮어내기(weave) 때문입니다. NKW는 당신이 질문을 하기 전부터 정보의 특별한 "배낭"을 미리 구축합니다.

단계 A: "캐릭터 ID 카드" 구축
NKW는 단순히 "존(John)"이라는 이름만 아는 것이 아니라, 존을 위한 역동적인 프로필을 만듭니다. 다음을 추적합니다:

그는 누구인가: (고정된 사실: 그는 탐정이다).
그는 지금 무엇을 하고 있는가: (변하는 사실: 그는 현재 화가 나 있고, 총을 들고 있으며, 옷장에 숨어 있다).
비유: 이는 캐릭터가 데미지를 입거나 새로운 아이템을 찾을 때마다 업데이트되는 비디오 게임의 캐릭터 시트와 같습니다. 정적인 전기(biography)가 아닙니다.

단계 B: "스토리 챕터(에피소드)" 생성
NKW는 작은 사건들을 에피소드라고 불리는 더 큰 덩어리로 묶습니다.

예시: NKW는 "존이 들어온다", "존이 총을 본다", "존이 총을 쏜다"를 세 개의 별개 줄로 보는 대신, 이들을 하나의 "대치 에피소드"로 묶습니다.
비유: 이는 긴 재료 목록을 완성된 레시피로 만드는 것과 같습니다. 밀가루와 달걀만 있는 것이 아니라, "케이크"라는 결과물이 되는 것입니다.

단계 C: "플롯 고속도로(스토리라인)" 그리기
이 부분이 가장 독특합니다. NKW는 이 에피소드들을 하나의 스토리라인으로 연결합니다. 어떤 사건이 다음 사건을 유발했는지 파악합니다.

비유: 이야기가 기차 여행이라면, NKW는 단순히 역들을 나열하는 것이 아니라 선로를 그립니다. 즉, 역 A가 기차를 가속시켜 역 B에 도달하게 했으며, 역 C는 역 A에서 발생한 폭풍 때문에 생긴 우회 경로라는 것을 보여줍니다.

3. 질문에 답하는 방법: "도구 상자"

질문을 하면 NKW는 단순히 키워드를 검색하지 않습니다. 세 가지 다른 렌즈를 가진 특화된 도구 상자를 사용합니다.

텍스트 렌즈: 실제 대본의 단어들을 살펴봅니다 (정확한 세부 사항을 위해).
그래프 렌즈: 누가 누구를 알고 어디에 있는지 살펴봅니다 (관계 파악을 위해).
내러티브 렌즈: 타임라인과 인과관계를 살펴봅니다 ("왜?" 또는 "다음에 무슨 일이 일어났는가?"를 위해).

"독해 능력" (편집자)
답변을 내놓기 전, NKW에는 엄격한 선생님 같은 최종 "편집자" 단계가 있습니다. 편집자는 다음과 같이 증거를 검토합니다:

"올바른 캐릭터를 선택했는가?" (다른 존이 아닌 진짜 존인지).
"이 일이 적절한 시간에 일어나고 있는가?" (어제가 아니라 오늘인지).
"원인과 결과를 혼동하지 않았는가?"
이를 통해 답변이 단순히 그럴듯한 것이 아니라, 이야기의 타임라인에 **사실적으로 근거(factually grounded)**하고 있는지 확인합니다.

4. 효과가 있는가?

저자들은 세 가지 유형의 스토리 챌린지에 대해 NKW를 테스트했습니다:

전체 영화 시나리오 (STAGE): 많은 등장인물이 등장하는 길고 복잡한 이야기.
어린이 동화 (FairytaleQA): 명확한 교훈과 순서를 가진 짧은 이야기.
긴 기사 (QuALITY): 일반적인 긴 텍스트.

결과:

큰 승리: NKW는 영화 시나리오 분야에서 경쟁자들을 압도했습니다. 캐릭터의 기분이 시간이 지남에 따라 어떻게 변했는지, 혹은 한 사건이 며칠 뒤의 사건에 어떻게 이어졌는지 이해하는 데 훨씬 뛰어난 성능을 보였습니다.
트레이드오프: 매우 단순한 질문(예: "드레스 색깔이 무엇이었나요?")의 경우, 더 단순한 AI 도구들도 거의 비슷하게 좋은 성능을 보였습니다. NKW는 단일 페이지가 아니라 전체 이야기의 흐름을 기억하는 인간 독자처럼 생각해야 하는 질문에서 진가를 발휘합니다.

5. 언급된 실제 활용 사례

논문은 한 가지 구체적인 실용적 용도를 언급합니다: 영화 제작 연속성(Continuity).

문제: 영화 촬영 현장에서, 만약 어떤 캐릭터가 1장면에서는 빨간 코트를 입고 5장면에서는 파란 코트를 입었는데, 감독이 1장면보다 5장면을 먼저 찍기로 결정했다면, 제작진은 동일한 세트나 의상을 재사용할 수 있는지 알아야 합니다.
NKW의 솔루션: NKW는 사물과 캐릭터가 정확히 어디에, 언제 나타나는지를 추적하기 때문에, 제작팀에게 "이 두 장면은 캐릭터와 공간의 상태가 동일하므로 함께 촬영할 수 있습니다"라고 자동으로 알려줄 수 있습니다.

요약

**내러티브 지식 위버(Narrative Knowledge Weaver)**는 이야기를 단어의 더미로 취급하는 것을 멈추고, 이를 살아 움직이는 타임라인으로 취급하는 AI 시스템입니다. 이 시스템은 누가 누구인지, 무엇을 하고 있는지, 그리고 한 사건이 어떻게 다음 사건으로 이어지는지를 구축하는 지도를 만듭니다. 이를 통해 NKW는 다른 AI들이 보통 틀리는 긴 이야기에 대한 복잡한 질문에 답할 수 있으며, 영화, 책, 시나리오를 이해하는 강력한 도구가 됩니다.

기술 요약: 내러티브 지식 위버 (Narrative Knowledge Weaver, NKW)

문제 정의

장문 내러티브 이해는 일반적인 긴 문서 처리와는 구별되는 독특한 과제를 안겨줍니다. 표준 검색 증강 생성(RAG) 시스템은 관련 구절을 찾는 데는 뛰어나지만, 내러티브 증거의 기능적이고 동적인 성격을 다루는 데는 어려움을 겪습니다. 내러티브에서 동일한 구절은 이야기 세계의 진화에 따른 위치에 따라 전제, 전환점, 결과 또는 상태 업데이트의 역할을 수행할 수 있습니다. 또한, 캐릭터와 그들의 관계는 사건, 상호작용, 인과적 트리거에 따라 고정되지 않고 변화합니다.

기존의 RAG 및 그래프 증강 방식은 청크(chunk), 엔티티, 관계 또는 커뮤니티 요약과 같은 단위를 활용합니다. 이러한 단위들은 자료를 찾아낼 수는 있지만, 내러티브 기능(예: "이것은 동기 부여 사건이다")이나 동적 상태(예: "이 캐릭터의 신념은 5장 이후에 변했다")를 인코딩하지는 못합니다. 결과적으로, 범용 시스템은 관련 콘텐츠를 검색하는 데는 성공할지라도, 진화하는 상태, 시간적 순서, 인과적 동기 및 플롯 진행에 대한 추론이 필요한 질문을 위해 이를 올바르게 조립하는 데 실패합니다.

방법론: 내러티브 지식 위버 (NKW)

NKW는 텍스트 증거를 다층적인 내러티브 구조와 정렬하도록 설계된 소스 기반 프레임워크입니다. 이는 **구성 시점(construction-time)**의 자산 구축과 **쿼리 시점(query-time)**의 추론을 분리합니다.

1. 구성 시점 자산 구축

NKW는 다음과 같이 구성된 소스 근거 기반 자산 번들 $B = (G, U, F, P, H, X)$ 를 구축합니다:

정준 엔티티-관계 그래프 백본 (Canonical Entity–Relation Graph Backbone): 내러티브 엔티티(캐릭터, 장소, 사물)와 이진 관계를 포함하는 안정적인 그래프입니다. 내러티브 프로세스 단위(사건, 상호작용)는 그래프의 안정성을 유지하기 위해 네이티브 그래프 노드로 취급되지 않으며, 대신 별도로 저장됩니다.
소스 근거 내러티브 자산 (Source-Grounded Narrative Assets): 원자적 사실, 사건(행동, 결정), 상호작용(방향성이 있는 의사소통/갈등), 그리고 오케이션(안정적인 맥락)을 추출합니다. 이들은 소스 증거와 연결된 상태를 유지합니다.
엔티티 정준화 (Entity Canonicalization): 별칭(alias)과 로컬 참조를 안정적인 내러티브 엔티티로 병합합니다. 충분한 연결성을 가진 엔티티의 경우, NKW는 상태, 목표 및 정신 상태에 관한 시간 민감형 원자적 사실을 추출하여 동적인 캐릭터 프로필을 생성합니다.
글로벌 에피소드 및 스토리라인 구축:
- 에피소드: 로컬 내러티브 단위는 공유된 참여자, 목표, 갈등 및 시간적 연속성을 기준으로 일관된 에피소드로 집계됩니다.
- 스토리라인: SABER 알고리즘을 사용하여 에피소드의 글로벌 DAG(방향성 비순환 그래프)가 구축됩니다. SABER는 사이클을 제거하고 중복된 지름길을 가지치기하여 깨끗한 진행 그래프를 보장합니다. 스토리라인은 트렁크-브랜치(trunk-branch) 뷰를 통한 체인으로 추출되어 장거리 시간 및 인과 추론을 가능하게 합니다.

2. 쿼리 시점 추론

NKW는 채널이 분리된 도구 인터페이스와 사후 검색 읽기 기술을 사용합니다:

증거 뷰 (Evidence Views): 시스템은 소스 구절, 원자적 사실, 엔티티 프로필, 이벤트/상호작용 기록, 에피소드/스토리라인 레이어에 대한 접근을 제공합니다.
도구 인터페이스 (Tool Interface): 평면적인 리트리버 대신, NKW는 텍스트(소스 증거), 그래프(엔티티/관계 근거), 내러티브(시간적/인과적 진행)를 위한 도구를 노출합니다.
증거 조립 (Evidence Assembly): 에이전트는 질문을 요구사항(예: 행위자, 범위, 극성, 시간적 위치)으로 분해하고, 사용 가능한 도구를 사용하여 증거 패킷 $E_q$ 를 조립합니다.
사후 검색 읽기 기술 (Post-Retrieval Reading Skills): QUEST 및 상황 모델(Situation Models)과 같은 인지 이론에서 유래된 경량화된 "읽기 기술 카드(Reading Skill Cards)"가 최종 프롬프트에 주입됩니다. 이 연산자들은 조립된 증거를 "잘못된 행위자", "잘 잘못된 시간", "잘못된 인과 방향" 등의 제약 조건으로 감사하여, 답변이 단순히 표면적 유사성이 아닌 내러티브 논리에 부합하도록 보장합니다.

주요 기여

내러티브 중심의 RAG 시스템: NKW는 정준 엔티티 그래프, 소스 근거 내러티브 자산(사건, 상호작용), 집계된 에피소드/스토리라인의 계층 구조를 통해 장문 내러티브를 표현합니다. 이는 안정적인 정체성과 변화하는 상태를 분리합니다.
내러티브 증거 조립을 위한 추론 도구: 본 프레임워크는 채널이 분리된 도구 인터페이스(텍스트, 그래프, 내러티브)와 행위자, 범위, 극성 및 시간적 제약에 대해 증거를 감사하는 사후 검색 읽기 기술을 도입합니다.
포괄적 평가: NKW는 7개의 LLM 백본에 대해 STAGE, FairytaleQA, QuALITY 세 가지 데이터셋에서 평가되었으며, 진화하는 이야기 세계에 대한 추론에서 구체적인 이득을 입증했습니다.

실험 결과

평가는 STAGE(시나리오 수준 추론), FairytaleQA(동화), QuALITY(긴 지문)를 대상으로 수행되었습니다.

STAGE 성능: NKW는 모든 백본에서 최고의 Pass@5 점수를 달으로 기록했으며, 중간 규모, 대규모 및 폐쇄형 모델에서 최고의 Overall 점수를 달성했습니다. 특히 시간적 순서, 인과적 동기 및 플롯 진행에 대한 추론이 필요한 질문에서 가장 유의미한 개선을 보였습니다. 작은 모델의 경우, 하이브리드 RAG가 때때로 원샷 정확도에서 NKW보다 약간 더 높은 성능을 보였으나, NKW는 Pass@5를 일관되게 향상시켜 구조화된 증거가 다중 샘플 추론에 유익함을 시사했습니다.
보조 벤치마크: FairytaleQA 및 QuALITY(더 짧은 지문 중심)에서도 NKW는 경쟁력을 유지했습니다. 가벼운 리트리벌(예: LightRAG)이 이러한 짧거나 로컬 작업에서 잘 작동하는 반면, NKW는 고용량 설정, 특히 Pass@5에서 탁월한 성능을 보여 다중 제약 시나리오에서의 가치를 입증했습니다.
소거 연구 (Ablation Studies):
- 에피소드/스토리라인 집계를 제거하면 시간적 및 내러티브 진행 추론에서 가장 큰 하락이 발생합니다.
- 엔티티 속성을 제거하면 주로 캐릭터 이해 및 역할-관계 작업에 타격을 줍니다.
- 그래프 채널 도구를 제거하면 광범위한 성능 저하가 발생하여, 평면적 검색보다 구조화된 접근의 가치를 확인시켜 줍니다.
- 읽기 기술은 해석 오류를 수정함으로써 인과 및 시간 관련 질문의 성능을 유의미하게 향상시킵니다.
도구 사용: 분석 결과, STAGE 쿼리는 그래프 및 내러티브 추적 도구를 집중적으로 활용하는 반면(91.5%가 후속 라운드 필요), FairytaleQA 및 QuALITY는 원자적 사실과 텍스트 추출에 더 많이 의존하며 후속 라운드가 적었습니다.

의의 및 주장

본 논문은 내러티브 QA가 관련 구절이 '어디에' 발생하는지가 아니라, 증거가 이야기 내부에서 '어떻게' 기능하는지를 모델링할 때 이득을 얻는다고 주장합니다.

기능적 vs 위치적 증거: NKW는 일반적인 RAG가 콘텐츠를 검색하지만 그 내러티브적 역할(예: 원인과 결과의 구분)을 놓치는 불일치 문제를 해결합니다.
동적 상태 추적: 안정적인 엔티티 정체성과 시간 민감형 원자적 사실을 분리함으로써, NKW는 정적인 그래프 노드가 표현하지 못하는 캐릭터의 상태와 관계의 진화 과정을 포착합니다.
소스 근거 확보: 프레임워크는 모든 고수준 내러티브 자산(에피소드, 스토리라인)과 추론 단계가 소스 증거로 추적될 수 있도록 보장하여, 환각을 완화하고 감사 가능성을 지원합니다.
다운스트림 유용성: 저자들은 구축된 자산이 제작 연속성 체크(세트/소품을 공유할 수 있는 장면 식별) 및 캐릭터 상태 추적과 같은 제작 업무에 재사용될 수 있음을 보여줌으로써, 이 프레 framework의 유용성이 QA를 넘어 확장됨을 입증했습니다.

저자들은 NKW가 평면적 리트리벌보다 높은 구축 및 쿼리 비용을 초래하며, 그 이점이 캐릭터 상태, 사건 및 플롯 진행에 걸친 증거를 요구하는 질문에서 가장 두드러진다는 점을 언급하며 한계점에 대해 겸허한 태도를 유지했습니다. 짧거나 순수하게 지문 중심적인 질문의 경우, 추가적인 내러티브 구조가 가벼운 리트리벌에 비해 수익 체감의 법칙(diminishing returns)을 보일 수 있습니다.