GraphLit: Learning Text-Enriched Dynamic Character Network Representations for Literary Study

Resumo Técnico: GraphLit: Aprendizado de Representações Dinâmicas de Redes de Personagens Enriquecidas por Texto para Estudos Literários

Declaração do Problema
Os métodos computacionais existentes para modelar personagens fictícios geralmente se enquadram em duas categorias, ambas com limitações significativas. Primeiro, as abordagens de Rede de Personagens (RP) modelam personagens como nós e suas interações como arestas (por exemplo, co-ocorrência ou diálogo). Embora eficazes para capturar estruturas sociais, esses métodos frequentemente tratam os personagens como funções estáticas, negligenciando o rico contexto textual (significantes como nomes, descrições e padrões de fala) no qual os personagens aparecem. Segundo, métodos baseados em texto e Modelos de Linguagem Grandes (LLMs) capturam nuances textuais, mas falham em integrar as dinâmicas sociais inerentes às redes de personagens. Além disso, representações baseadas em LLMs frequentemente lutam com a generalização para romances não vistos e dependem de dados protegidos por direitos autorais que dificultam a reprodutibilidade. Há uma necessidade de um quadro que represente explicitamente tanto informações textuais quanto relacionais dentro de um corpus de domínio público e reprodutível.

Metodologia
Os autores propõem o GraphLit, um quadro de aprendizado auto-supervisionado construído sobre Redes Dinâmicas Heterogêneas de Personagens (RDHPs).

1. Construção de Dados (RDHPs):

   • O quadro processa romances longos do Projeto Gutenberg (aproximadamente 20.000 livros) dividindo-os em blocos de texto localizados temporalmente.
   • Dentro de cada bloco, uma Rede Heterogênea de Personagens (RHP) é construída contendo dois tipos de nós: nós de Personagem e nós de Segmento (pedaços de texto).
   • As Arestas são definidas como:
     • Personagem-Personagem: Baseada na co-ocorrência dentro de uma janela restritiva (20 palavras).
     • Personagem-Segmento: Conectando um personagem aos segmentos de texto específicos onde são mencionados.
   • A RDHP completa de um livro é uma sequência desses RHPs desconectados, preservando o tempo narrativo.

2. Aprendizado de Representação (GraphLit):

   • Inicialização: Nós de personagem são inicializados com prompts contendo nomes e apelidos; nós de segmento são inicializados usando Qwen3-Embeddings.
   • Arquitetura: O modelo adapta o quadro do Autoencoder Mascarado de Grafos Heterogêneos (HGMAE).
     • Um Decodificador Transformer processa a sequência ordenada de atributos de segmento dentro de um bloco para preservar a coerência do texto.
     • Uma espinha dorsal de Transformer de Grafo Heterogêneo (HGT) refina as representações dos nós agregando mensagens dos vizinhos, distinguindo entre tipos de nós e arestas.
   • Objetivos de Treinamento: O modelo é treinado via auto-supervisão para reconstruir grafos corrompidos:
     • Reconstrução de Arestas: Previsão de links mascarados entre personagem-personagem e personagem-segmento.
     • Reconstrução de Atributos: Reconstrução de atributos iniciais de nós mascarados (nomes/texto) usando uma perda de cosseno escalada.
     • Perda de Ordenação: Uma perda ListMLE é aplicada para garantir que o modelo aprenda a ordem narrativa correta dos blocos.
     • Previsão de Link Global: Uma tarefa para dissociar personagens entre livros diferentes para codificar informações em nível de livro.
   • Agrupamento: Representações globais para personagens, blocos e livros inteiros são geradas usando camadas de atenção multi-cabeça heterogêneas.

Principais Contribuições

1. Formulação RDHP: A introdução de Redes Dinâmicas Heterogêneas de Personagens, que estendem as Redes Dinâmicas de Personagens ao fundamentar personagens em seus contextos textuais localizados por meio de nós de segmento.
2. Quadro GraphLit: Um quadro de aprendizado auto-supervisionado que aprende representações expressivas a partir de RDHPs, superando baselines apenas de texto e apenas de grafos.
3. Aplicação em Humanidades Digitais: Uma demonstração de como medidas topológicas derivadas de RDHPs correlacionam-se com a não linearidade narrativa (circuitosidade), sugerindo que discrepâncias sociais são um componente chave da narrativa não linear.

Resultados
O quadro foi avaliado em 12 tarefas relacionadas a personagens do Benchmark de Incorporação de Personagens (CEB) e uma tarefa de Atribuição de Citações.

• Ganhos de Desempenho: O GraphLit supera consistentemente as baselines apenas de texto (por exemplo, embeddings Qwen3) e as baselines apenas de grafos (RDs). As melhorias são mais pronunciadas em tarefas contextuais (por exemplo, identificação de personagem a partir de descrições mascaradas, atribuição de citações), onde entender a interação entre personagem e texto é crucial.
• Insights de Ablação:
  • Contexto sobre Estrutura Social: Surpreendentemente, remover arestas explícitas personagem-personagem (variante No-RP) resultou em desempenho competitivo ou ligeiramente superior em tarefas em nível de livro e contextuais. Isso sugere que a principal fonte de informação é o fundamento dos personagens em seus contextos textuais dinâmicos, e não a própria estrutura da rede social.
  • Previsão de Papel: Redes explícitas de personagens forneceram os ganhos mais significativos para tarefas fundamentadas socialmente, como previsão de papel e identificação de protagonistas.
  • Dinâmicas: Estruturas de RP estáticas performaram em par com as dinâmicas para tarefas em nível de livro, indicando que as dinâmicas contextuais dentro dos blocos são mais críticas do que a evolução da rede entre blocos para certas tarefas.
• Não Linearidade Narrativa: A análise de regressão revelou que características topológicas derivadas de RDHPs (transitividade, taxas de novos personagens) correlacionam-se significativamente com a não linearidade narrativa. Os embeddings do GraphLit capturaram discrepâncias sociais mais efetivamente do que embeddings apenas semânticos, mostrando que narrativas não lineares frequentemente envolvem mudanças na focalização social.

Significado
O artigo afirma que o GraphLit oferece um quadro reprodutível para aprender representações literárias ricas que fazem uma ponte explícita entre abordagens formalistas (estruturas de rede) e abordagens textualistas (significantes). Ao demonstrar que representações de personagens fundamentadas em contexto textual são mais informativas para tarefas subsequentes do que aquelas que dependem apenas de grafos de interação social, o trabalho apoia a visão crítica literária de que personagens emergem através de significantes textuais em evolução. Além disso, a capacidade de vincular dinâmicas de redes sociais à não linearidade narrativa fornece uma nova ferramenta quantitativa para Humanidades Digitais, sugerindo que a evolução das relações entre personagens é um indicador mensurável da estrutura narrativa. Os autores observam que, embora seus resultados sejam robustos, o quadro depende de agrupamento imperfeito de nomes de personagens e que trabalhos futuros poderiam explorar resolução de coreferência e aplicações subsequentes mais amplas.