ttda704 at SemEval-2026 Task 4: Modeling Narrative Structures via Pseudonymization and Multi-View Sentence Alignment

Resumo Técnico: ttda704 na SemEval-2026 Task 4

Definição do Problema
O artigo aborda a SemEval-2026 Task 4, que desafia os participantes a modelar a similaridade narrativa e o aprendizado de representação. A dificuldade central reside em distinguir a sobreposição lexical superficial da estrutura narrativa profunda. Como observado por Hatzel e Biemann (2024a), a comparação eficaz de histórias requer a captura de dimensões latentes, como temas abstratos, a progressão do enredo (curso de ação) e desfechos finais, em vez de depender de simples correspondência de palavras-chave ou extração de eventos. Os autores destacam que, embora os Grandes Modelos de Linguagem (LLMs) generativos possam raciocinar através dessas ambiguidades, seu custo computacional e latência os tornam impraticáveis para tarefas escaláveis de recuperação e incorporação (embedding). Consequentemente, o objetivo é desenvolver um sistema eficiente baseado em embeddings que capture as nuances estruturais da narrativa sem depender de geração dispendiosa em tempo de inferência.

Metodologia
Os autores propõem uma estrutura de aprendizado contrastivo utilizando sentence transformers ajustados (fine-tuned), implementada através de dois pipelines distintos correspondentes às trilhas da tarefa:

• Trilha A (Classificação de Visão Única): Este pipeline foca em determinar qual de duas histórias candidatas é narrativamente mais próxima de uma história âncora.

  • Pseudonimização: Para mitigar correlações espúrias causadas por nomes de entidades específicas (ex: sobreposição de personagens ou locais), os autores aplicam uma etapa de normalização referencial. Utilizando fastcorex e spaCy, eles mapeiam menções repetidas da mesma entidade para placeholders genéricos consistentes (ex: "Personagem_A"), preservando a correferência dentro da própria história. Isso força o modelo a atender à progressão semântica em vez da identidade lexical.
  • Arquitetura e Treinamento: O sistema utiliza o modelo all-mpnet-base-v2 como base (backbone). Para evitar o sobreajuste (overfitting) e preservar o conhecimento linguístico pré-treinado, uma estratégia de "Congelamento Inteligente de Camadas" (Smart Layer Freezing) é empregada: os parâmetros de embedding e os 40% inferiores das camadas do transformer são congelados, enquanto as camadas superiores são ajustadas. O modelo é treinado usando perda de margem de triplete (triplet-margin loss) em dados sintéticos.

• Trilha B (Aprendizado de Representação de Múltiplas Visões): Este pipeline gera embeddings vetoriais onde a similaridade de cosseno reflete a afinidade narrativa.

  • Decomposição de Múltiplas Visões: Em vez de codificar o texto completo como um único vetor, os autores decompõem cada história em três visões distintas usando LLMs (especificamente o3-mini): Tema (ideia central controladora), Enredo (sequência cronológica de eventos que alteram o estado) e Desfecho (resolução).
  • Aprendizado Contrastivo: O modelo emprega cabeças de projeção específicas para cada visão para mapear esses componentes em espaços de embedding ortogonais. Uma função de perda contrastiva ($L_{con}$) é aplicada a cada visão para maximizar a similaridade entre facetas narrativas correspondentes e minimizá-la para as não correspondentes.
  • Alinhamento de Autossupervisão: Para garantir a coerência entre as diferentes visões, uma perda de alinhamento ($L_{align}$) é introduzida. Esta perda minimiza a distância entre o embedding fundido (uma soma ponderada das quatro visões: texto completo, tema, enredo, desfecho) e a média dos embeddings das visões individuais, incentivando um espaço conjunto unificado.
  • Fusão: Na inferência, os embeddings dos quatro componentes são fundidos usando pesos fixos (0,5 para o texto completo, 0,1 para o tema, 0,2 para o enredo e 0,2 para o desfecho), seguidos de normalização L2.

Principais Contribuições
O artigo delineia três contribuições primárias:

1. Representação Narrativa Aumentada por LLM: Uma estrutura determinística que utiliza LLMs estritamente para aumento de dados offline (extração sintética de estruturas narrativas) e decomposição estrutural, dependendo de sentence transformers eficientes e ajustados para a inferência de similaridade final.
2. Modelagem Estrutural de Múltiplas Visões: Uma abordagem de aprendizado contrastivo que modela explicitamente os três aspectos principais da similaridade narrativa (tema, curso de ação, desfecho) via cabeças de projeção específicas para cada visão e alinhamento de autossupervisão, desacoplando sinais complexos em espaços ortogonais.
3. Treinamento Contrastivo Robusto: A implementação de otimização de margem de triplete combinada com o congelamento inteligente de camadas para melhorar a generalização enquanto preserva a nuance das estruturas narrativas.

Resultos

• Trilha A: O sistema alcançou uma pontuação privada de 0,6925, classificando-se em 14º lugar entre 42 equipes. O uso de dados pseudonimizados gerou uma melhoria consistente sobre os dados brutos (0,6650 para 0,6925) para o modelo all-mpnet-base-v2. Os autores atribuem isso à remoção do ruído específico de entidades, forçando o modelo a focar na estrutura semântica.
• Trilha B: O sistema classificou-se em 6º lugar entre 25 participantes com uma pontuação privada de 0,6875. Estudos de ablação no conjunto de desenvolvimento indicaram que uma estratégia de fusão ponderada (enfatizando o texto completo com 0,5, com pesos menores para tema, enredo e desfecho) superou o peso igual ou as abordagens de visão única. A combinação do all-mpnet-base-v2 e o extrator LLM o3-mini produziu os melhores resultados.

Significância e Limitações
Os autores afirmam que sua abordagem oferece uma alternativa prática à inferência generativa baseada em LLM para recuperação narrativa em larga escala. Ao deslocar a carga computacional para uma fase de geração de dados offline e utilizar modelos de embedding eficientes na inferência, o sistema alcança um desempenho competitivo com latência significativamente menor.

No entanto, o artigo admite modestamente várias limitações:

• Generalização: Os modelos dependem de dados de treinamento sintéticos e podem não generalizar totalmente para diversos estilos ou domínios narrativos sem adaptação adicional.
• Ruído de Extração: O pipeline de múltiplas visões depende de elementos narrativos extraídos automaticamente; sem uma auditoria manual dedicada da qualidade dessas extrações, erros residuais na coerência do tema ou do enredo podem permanecer não quantificados.
• Ajuste de Hiperparâmetros: Os pesos de fusão fixos e as configurações de temperatura foram ajustados no conjunto de desenvolvimento e podem não ser ideais para domínios não vistos.

O trabalho conclui que, embora a abordagem evite os custos proibitivos do raciocínio generativo, a dependência de dados sintéticos e extração automatizada introduz restrições na robustez das representações aprendidas.