Multi-Agent System for AI-Assisted Extraction of Narrative Arcs in TV Series
作者: Roberto Balestri, Guglielmo Pescatore
分类: cs.CL, cs.AI, cs.MA, cs.MM
发布日期: 2025-03-04
备注: 17th International Conference on Agents and Artificial Intelligence, Porto (Portugal). 23/02/2025 - 25/02/2025
期刊: 2025. Proceedings of the 17th International Conference on Agents and Artificial Intelligence - Volume 1, ISBN 978-989-758-737-5, ISSN 2184-433X, pages 663-670
💡 一句话要点
提出一种多智能体系统，用于AI辅助提取电视剧叙事弧线。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 叙事弧线提取 多智能体系统 电视剧分析 人工智能辅助 计算叙事学
📋 核心要点
- 电视剧叙事复杂，难以追踪，现有方法难以有效分析其叙事弧线。
- 提出多智能体系统，结合关系型和语义数据库，提取并分析叙事弧线。
- 系统在《实习医生格蕾》第一季测试中，能有效识别特定类型的叙事弧线和角色。
📝 摘要（中文）
本文介绍了一种多智能体系统，旨在提取和分析电视剧中复杂且难以追踪的叙事弧线。该系统在《实习医生格蕾》（Grey's Anatomy）第一季上进行了测试，能够识别三种类型的弧线：选集型（自包含）、肥皂剧型（以关系为中心）和特定类型型（与剧集类型密切相关）。这些弧线的情节进展被存储在关系型和语义型（向量）数据库中，从而实现结构化分析和比较。为了弥合自动化和批判性解释之间的差距，该系统配备了一个图形界面，允许人工使用工具来增强和可视化数据。该系统在识别选集型弧线和角色实体方面表现出色，但其对文本副文本（如情节摘要）的依赖性限制了其识别重叠弧线和更微妙动态的能力。该方法突出了在叙事分析中结合计算和人类专业知识的潜力。除了电视之外，它还为叙事完全存在于文本中的系列书面形式提供了前景。未来的工作将探索多模态输入（如对话和视觉效果）的集成，并扩大在更广泛类型中的测试，以进一步完善系统。
🔬 方法详解
问题定义：该论文旨在解决电视剧中叙事弧线难以提取和分析的问题。现有方法主要依赖人工分析，效率低且主观性强。现有方法难以识别不同类型叙事弧线，特别是重叠和微妙的叙事动态。
核心思路：论文的核心思路是利用多智能体系统模拟人类分析师，自动提取和分析电视剧的叙事弧线。通过结合关系型数据库和语义数据库，系统能够结构化地存储和比较叙事弧线的情节进展。同时，提供图形界面，允许人工干预和修正，弥补自动化分析的不足。
技术框架：该系统采用多智能体架构，包含多个智能体，每个智能体负责不同的任务，例如：文本分析、实体识别、关系提取等。系统首先从电视剧的情节摘要等文本副文本中提取信息。然后，将提取的信息存储在关系型数据库和语义数据库中。最后，通过图形界面向用户展示分析结果，并允许用户进行修改和完善。
关键创新：该论文的关键创新在于将多智能体系统应用于电视剧叙事弧线的提取和分析。与传统方法相比，该系统能够自动化地处理大量数据，并提供结构化的分析结果。此外，该系统结合了人工干预，提高了分析的准确性和可靠性。
关键设计：系统使用了三种类型的叙事弧线：选集型、肥皂剧型和特定类型型。系统依赖于情节摘要等文本副文本进行分析。图形界面允许用户手动调整和完善系统提取的叙事弧线。系统使用关系型数据库存储结构化数据，使用语义数据库存储向量化的语义信息。
🖼️ 关键图片
📊 实验亮点
该系统在《实习医生格蕾》第一季的测试中，能够有效识别选集型叙事弧线和角色实体。虽然依赖文本副文本限制了对重叠弧线和微妙动态的识别，但该系统展示了结合计算和人工专业知识在叙事分析中的潜力。未来的工作将探索多模态输入，并扩大测试范围。
🎯 应用场景
该研究可应用于电视剧、电影等长视频内容的自动分析和理解，帮助编剧、制片人更好地把握剧情走向和人物关系。此外，该方法还可扩展到其他序列化文本格式，如小说、漫画等，为内容创作者提供辅助工具。该研究有助于推动计算叙事学的发展，促进人机协作在内容分析领域的应用。
📄 摘要（原文）
Serialized TV shows are built on complex storylines that can be hard to track and evolve in ways that defy straightforward analysis. This paper introduces a multi-agent system designed to extract and analyze these narrative arcs. Tested on the first season of Grey's Anatomy (ABC 2005-), the system identifies three types of arcs: Anthology (self-contained), Soap (relationship-focused), and Genre-Specific (strictly related to the series' genre). Episodic progressions of these arcs are stored in both relational and semantic (vectorial) databases, enabling structured analysis and comparison. To bridge the gap between automation and critical interpretation, the system is paired with a graphical interface that allows for human refinement using tools to enhance and visualize the data. The system performed strongly in identifying Anthology Arcs and character entities, but its reliance on textual paratexts (such as episode summaries) revealed limitations in recognizing overlapping arcs and subtler dynamics. This approach highlights the potential of combining computational and human expertise in narrative analysis. Beyond television, it offers promise for serialized written formats, where the narrative resides entirely in the text. Future work will explore the integration of multimodal inputs, such as dialogue and visuals, and expand testing across a wider range of genres to refine the system further.