💬 NLP

Storyline Trees: Hierarchical Representations for Long-Form Narratives

Dit artikel introduceert "storyline trees", een hiërarchische representatie die langvormige narratieven organiseert in meerlagige structuren van scènes en plotlijnen om adaptieve retrieval mogelijk te maken, wat de prestaties bij vraagbeantwoording aanzienlijk verbetert in vergelijking met bestaande long-context modellen en op chunks gebaseerde methoden.

Oorspronkelijke auteurs: Litu Ou, Mirella Lapata

Gepubliceerd 2026-06-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Litu Ou, Mirella Lapata

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een mysterie probeert op te lossen, maar in plaats van een paar aanwijzingen op een tafel, krijg je een bibliotheek met 500 romans than handed. Je moet één specifiek detail vinden: Waarom vertrok het personage in hoofdstuk 42 uit de stad?

Als je gewoon alle 500 boeken in één grote hoop gooit en een super-slimme robot (een AI) vraagt om ze allemaal tegelijk te lezen, raakt de robot overweldigd. Het is alsof je een specifieke naald probeert te vinden in een hooiberg die zo groot is als een berg. Zelfs als de robot heel slim is, raakt hij vaak "verloren in het midden" (lost in the middle), waarbij hij het begin vergeet of de cruciale aanwijzing die diep in de tekst verborgen zit, mist.

Dit artikel introduceert een nieuwe manier om die boeken te organiseren, zodat de robot niet verdwaalt. Ze noemen het Storyline Trees.

Het Probleem: De "Platte" Hoop

Momenteel behandelen de meeste AI-modellen een lang boek als een platte lijst met woorden. Ze begrijpen niet echt dat een verhaal een structuur heeft. Ze zien Hoofdstuk 1, dan Hoofdstuk 2, en dan Hoofdstuk 3, maar ze begrijpen niet noodzakelijkerwijs dat Hoofdstuk 10 eigenlijk de climax is van een plotlijn die in Hoofdstuk 2 begon.

De auteurs zeggen: "Laten we stoppen met boeken te behandelen als een platte muur van tekst en ze te gaan behandelen als een boom."

De Oplossing: Het Bouwen van een Storyline Tree

Beschouw een lange roman niet als één lange weg, maar als een enorme stamboom.

De Bladeren (De Scènes):
Eerst breken de auteurs het boek af in de kleinste, meest logische brokstukken die scènes worden genoemd.

Analogie: Stel je een film voor. Een "scène" is wanneer de personages in één kamer zijn en één ding doen op één bepaald moment. Als de personages naar een andere kamer verplaatsen of de tijd verspringt, is dat een nieuwe scène.
De auteurs gebruiken AI om het boek automatisch in deze scènes te snijden. Dit is veel beter dan alleen snijden op basis van "Hoofdstuk", omdat een hoofdstuk drie verschillende scènes kan bevatten, of een enkele scène kan zich over twee hoofdstukken uitstrekken. Scènes zijn de werkelijke bouwstenen van een verhaal.

De Stam en de Takken (De Plotlijnen):
Zodra ze alle scènes hebben, bouwen ze de boom op twee manieren:

Top-Down (De Architect): Ze kijken naar het hele boek en vragen: "Wat zijn de grote thema's?" (bijv. "Heathcliff's Wraak"). Vervolgens breken ze dat grote thema af in kleinere subthema's, en die weer in specifieke scènes. Het is als een architect die een blauwdruk tekent van het dak naar de fundering toe.
Bottom-Up (De Bouwer): Ze beginnen bij de individuele scènes en vragen: "Welke van deze scènes horen bij elkaar?" Ze groeperen vergelijkbare scènes (zoals alle scènes waarin de held verdrietig is) en vatten deze samen tot een grotere "tak". Ze blijven dit doen totdat ze de top van de boom bereiken.

Hoe de Robot de Boom Gebruikt (Adaptieve Retrieval)

Dit is het magische deel. Wanneer je de AI een vraag stelt, raadt hij niet zomaar iets of leest hij het hele boek opnieuw. Hij gebruikt de boom als een kaart.

De Oude Manier: De AI probeert te raden welke pagina's belangrijk zijn en leest die. Als hij de plank misslaat, mist hij het antwoord.
De Nieuwe Manier (Adaptieve Retrieval):
1. De AI kij Kijkt naar de top van de boom (de grote thema's). Hij vraagt: "Welke tak van de boom bevat waarschijnlijk het antwoord?"
2. Hij kiest die tak en kijkt naar de kleinere takken daaronder.
3. Hij blijft inzoomen, bewegend van het grote plaatje naar de specifieke scène (het blad) waar het antwoord zich verbergt.
4. Hij leest alleen die specifieke scène om het antwoord te geven.

De Analogie: Stel je voor dat je een specifiek adres in een stad zoekt.

Oude Methode: Je rijdt elke straat in de stad af totdat je het vindt.
Storyline Tree Methode: Je kijkt op de stadsplattegrond. Je ziet de buurt (Topniveau), dan de specifieik straat (Middenniveau), en dan het huisnummer (Scèneniveau). Je rijdt direct naar het huis.

Wat Ze Hebben Ontdekt

De onderzoekers hebben dit getest op drie verschillende sets lange boeken en moeilijke vragen. Dit is wat er gebeurde:

Het Werkt Beter: De "Storyline Tree"-methode versloeg elke andere methode die ze hebben geprobeerd, inclus $i$ f modellen die specifiek getraind zijn om lange teksten te lezen.
Scènes Doen Er Toe: Het opdelen van het boek in "scènes" was veel belangrijker dan het simpelweg opdelen in "hoofdstukken". Hoofdstukken zijn vaak willekeurig (gebaseerd op paginatelling), maar scènes zijn gebaseerd op de werkelijke verhaallijn.
De Top-Down Benadering Wint: Hoewel zowel het bouwen van de boom van bovenaf als van onderaf werkte, werkte het bouwen van de boom vanuit de top (beginnend bij de grote thema's) iets beter. Het gaf de AI een duidelijker "groot plaatje" om doorheen te navigeren.

De Kernboodschap

Dit artikel laat zien dat om AI te helpen lange verhalen te begrijpen, we niet alleen meer geheugen moeten geven. We moeten het een structuur geven. Door een boek te organiseren in een boom van scènes en plotlijnen, geven we de AI een kaart om door het verhaal te navigeren, waardoor hij antwoorden snel en nauwkeurig kan vinden zonder verdwaald te raken tussen de duizenden pagina's.

Technische Samenvatting: Storyline Trees voor Langdurende Narratieven

Probleemstelling

Langdurende narratieven, zoals romans, vormen een aanzienlijke uitdaging voor huidige lang-context taalmodellen. In tegenstelling tot technische documenten met expliciete structurele aanwijzingen (koppen, secties), vertrouwen narratieven op impliciete verbindingen tussen gebeurtenissen, personages en plotlijnen die verspreid zijn over honderden pagina's. Zelfs wanneer de volledige tekst binnen het contextvenster van een model past, neemt de prestatie af bij taken die vereisen dat verspreide informatie wordt geïntegreerd. Bestaande methoden schieten vaak tekort omdat ze ofwel vertrouwen op expliciete documentstructuren die niet aanwezig zijn in fictie, of narratieven behandelen als platte collecties van doorzoekbare passages, zonder een herbruikbare representatie van de impliciete structuur van het narratief. Bov endien worden hoofdstukgrenzen vaak bepaald door tempo of stijl in plaats van thematische coherentie, waardoor ze inconsistente eenheden zijn voor het traceren van narratieve draden.

Methodologie

De auteurs stellen Storyline Trees voor, een hiërarchische representatie die langdurende narratieven organiseert van globale thema's en belangrijke plotlijnen tot fijnmazige gebeurtenissen. De methodologie bestaat uit drie kerncomponenten:

1. Scène-segmentatie als Basiseenheden

In plaats van hoofdstukken of segmenten van vaste lengte te gebruiken, segmenteert het systeem narratieven in scènes. Een scène wordt gedefinieerd als een aaneengesloten narratieve eenheid die wordt gekenmerkt door relatieve consistentie in tijd, locatie, personageconfiguratie en actie.

Proces: Hoofdstukken worden eerst geëxtraheerd uit metadata. Een LLM segmenteert vervolgens elk hoofdstuk in scènes en genereert gestructureerde beschrijvingen voor elke scène: een Titel (beknopte label), een Synopsis (inhoudelijke samenvatting) en een Betekenis (narratieve functie).
Rationale: Scènes bieden een consistent niveau van granulariteit dat aansluit bij narratieve theorie, waardoor de variabiliteit van hoofdstuklengtes en de continuïteitsbreuken veroorzaakt door segmentatie met een vaste lengte worden vermeden.

2. Boominductie (Tree Induction)

Het artikel introduceert twee complementaire procedures om de hiërarchie te construeren:

Top-down Inductie: Deze benadering leidt abstracte storylines af uit de volledige set scènes en verfijnt deze recursief naar specifieke sub-storylines. Dit sluit aan bij een "plot-eerst"-visie, waarbij gebeurtenissen hun betekenis ontlenen aan hun rol in grotere bogen. Het proces conditioneert op de volledige scènevolgorde en het vorige niveau van storylines om een gegronde, specifieke uitwerking te garanderen.
Bottom-up Inductie: Geïnspireerd door RAPTOR, begint deze benadering bij scène-representaties, clustert recursief semantisch gerelateerde scènes en vat elk cluster samen in een hoger niveau van storyline-nodes. Dit sluit aan bij een "scène-eerst"-visie, waarbij bredere storylines voortkomen uit lokale relaties (gedeelde personages, causale verbanden).

3. Adaptieve Retrieval voor QA

De geconstrueerde bomen dienen als interface voor een adaptieve retrieval-procedure tijdens vraag-en-antwoord (QA).

Mechanisme: Gegeven een vraag, haalt het model een initiële set scènes op. Vervolgens inspecteert het iteratief de storyline tree om te beslissen welke delen van het narratief het eerst moet onderzoeken.
Beslissingslus: In elke stap besluit het model of het een antwoord geeft of bewijs opvraagt van een specifieke storyline node. Als een node wordt geselecteerd, wordt de titel ervan gebruikt als query om de top- $k$ meest relevante scènes uit de oorspronkelijke scène-pool op te halen.
Voordeel: Dit stelt het model in staat om progressief de focus te vernauwen van de brede narratieve structuur naar gelokaliseerde scène-bewijslast, geleid door een interpreteerbare kaart van het verhaal in plaats van een plat retrieval-beleid.

Belangrijkste Bijdragen

Storyline Trees: Een interpreteerbare hiërarchische representatie die globale thema's verbindt met fijnmazige bewijslast op scèneniveau, specifiek ontworpen voor de impliciete structuur van langdurende narratieven.
Duale Constructiemethoden: De introductie van zowel top-down als bottom-up inductietechnieken, naast een adaptieve retrieval-procedure die progressieve exploratie van de boom mogelijk maakt.
Empirische Validatie: Demonstratie van prestatieverbeteringen op drie lang-context narratieve QA-benchmarks (DetectiveQA, NovelQA, LiteraryQA), met ablatiestudies die de effectiviteit van scène-gebaseerde eenheden en adaptieve traversatie bevestigen.

Experimentele Resultaten

Experimenten werden uitgevoerd op drie datasets met behulp van Qwen3-modellen (30B en 235B parameters) als backbone.

Prestaties: Top-down adaptieve retrieval behaalde consistent de beste nauwkeurigheid over alle datasets en model-schalen, waarbij het zero-shot baselines, geheugen-gebaseerde agenten (MemAgent) en multi-agent boom-benaderingen (TOA) en statische retrieval-methoden overtrof.
Constructierichting: Top-down constructie bleek superieur aan bottom-up, wat suggereert dat het eerst opleggen van een globale narratieve structuur en het vervolgens naar beneden verfijnen een betere retrieval-interface biedt dan het aggregeren van lokale elementen.
Basiseenheden: Scène-gebaseerde constructie presteerde aanzienlijk beter dan alternatieven die gebruikmaken van hoofdstukken, TextTiling-segmenten of semantische chunks, zelfs wanneer de retrieval-budgetten werden gematcht op basis van token-aantal. Dit geeft aan dat door de auteur bepaalde grenzen en generieke semantische coherentie onvoldoende zijn voor narratieve QA.
Retrieval Efficiëntie: De winst was niet louter toe te schrijven aan het ophalen van meer context. Statische retrieval met grotere budgetten leidde niet betrouwbaar tot verbeterde prestaties. De adaptieve boom-gestuurde benadering was het meest effectief omdat deze actief de boomstructuur gebruikte om te navigeren van incomplete bewijslast naar cruciale scène-details.
Vraagtypen: De methode leverde de grootste winst op bij vragen die de locatie en interpretatie van narratieve gebeurtenissen binnen bredere contexten vereisen (bijv. vragen over plot, personage, setting en betekenis).

Betekenis en Claims

Het artikel stelt dat het expliciet maken van de narratieve structuur een levensvatbaar pad biedt naar begrip van lange contexten dat verder gaat dan simpelweg het uitbreiden van contextvensters. De resultaten suggereren dat:

Structuur ertoe doet: Het modelleren van de impliciete storyline-structuur is voordeliger dan het behandelen van narratieven als platte collecties passages.
Adaptiviteit essentieel is: Adaptieve retrieval, geleid door een hiërarchische representatie, stelt modellen in staat om iteratief de hoog-niveau structuur te inspecteren en op aanvraag scène-bewijs op te halen, wat superieur is aan vaste of agentische chunk-gebaseerde methoden.
Scènes fundamenteel zijn: Scènes dienen als een effectievere basiseenheid voor narratieve representatie dan hoofdstukken of generieke segmenten, omdat ze aansluiten bij de gebeurtenisstructuur van langdurende narratieven.

De auteurs erkennen beperkingen en merken op dat het huidige systeem volledig op prompts gebaseerd is, wat de betrouwbaarheid van de traversatie-beslissingen kan beperken in vergelijking met getrainde policies. Ze merken ook op dat de computationele kosten van boomconstructie niet triviaal zijn, hoewel deze kunnen worden geamortiseerd over meerdere queries op hetzelfde boek. Toekomstig werk zou zich moeten richten op het direct leren van retrieval- en traversatie-policies over de storyline trees en het uitbreiden van de representatie naar andere narratieve genres.