Guiding Generative Storytelling with Knowledge Graphs
作者: Zhijun Pan, Antonios Andronis, Eva Hayek, Oscar AP Wilkinson, Ilya Lasy, Annette Parry, Guy Gadney, Tim J. Smith, Mick Grierson
分类: cs.CL, cs.HC
发布日期: 2025-05-30 (更新: 2025-06-02)
备注: This manuscript was submitted for peer review in January 2025
💡 一句话要点
提出知识图谱辅助的故事生成方法以提升叙事质量
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 知识图谱 故事生成 用户控制 大型语言模型 检索增强生成 叙事质量 互动体验
📋 核心要点
- 现有的自动化故事生成方法在长篇叙事的连贯性和用户控制方面存在不足，导致生成的故事质量不稳定。
- 本文提出了一种知识图谱辅助的故事生成管道，通过整合结构化数据来提升叙事质量，并允许用户对故事进行修改。
- 用户研究结果显示，知识图谱的使用显著提升了故事的质量，并增强了用户的参与感和控制感，提升了整体互动体验。
📝 摘要（中文）
大型语言模型（LLMs）在自动化故事生成方面展现出巨大潜力，但在保持长篇叙事连贯性和提供用户控制方面仍面临挑战。检索增强生成（RAG）在减少文本生成中的幻觉方面已证明有效，但利用结构化数据支持生成故事的研究仍然不足。本文探讨了知识图谱（KGs）如何通过提高叙事质量和实现用户驱动的修改来增强基于LLM的故事生成。我们提出了一种KG辅助的故事生成管道，并通过对15名参与者的用户研究评估其有效性。研究结果表明，知识图谱显著提升了系统设置中以行动为导向和结构化叙事的故事质量，同时编辑知识图谱增强了用户的控制感，使故事创作更加引人入胜、互动和富有趣味。
🔬 方法详解
问题定义：本文旨在解决现有大型语言模型在故事生成中面临的连贯性不足和用户控制力弱的问题。现有方法往往无法有效利用结构化数据，导致生成的故事缺乏深度和一致性。
核心思路：论文提出通过知识图谱（KGs）来辅助故事生成，以提高叙事的质量和用户的参与感。通过允许用户编辑知识图谱，用户可以更好地控制故事的发展方向和内容。
技术框架：整体架构包括知识图谱构建、故事生成和用户交互三个主要模块。首先，构建与故事主题相关的知识图谱；然后，利用大型语言模型生成故事；最后，用户可以通过编辑知识图谱来影响生成的故事内容。
关键创新：最重要的创新在于将知识图谱与大型语言模型结合，形成一个互动式的故事生成系统。这种方法与传统的单一文本生成方法不同，能够有效利用结构化信息来增强叙事的深度和连贯性。
关键设计：在技术细节上，论文设计了特定的知识图谱编辑界面，允许用户直观地修改图谱内容。同时，采用了适应性损失函数来优化生成故事的质量，确保生成的文本与知识图谱保持一致。通过这些设计，系统能够实现更高质量的故事生成。
📊 实验亮点
实验结果表明，使用知识图谱的故事生成系统在叙事质量上显著优于传统方法，尤其是在行动导向和结构化叙事方面。用户反馈显示，知识图谱的编辑功能增强了用户的控制感，使得故事创作过程更加互动和有趣。
🎯 应用场景
该研究的潜在应用领域包括游戏设计、教育和娱乐等多个领域。通过结合知识图谱，用户可以在这些领域中创造出更加丰富和个性化的故事体验，提升用户的参与感和满意度。未来，该方法还可能扩展到其他类型的内容生成任务中，推动智能创作工具的发展。
📄 摘要（原文）
Large Language Models (LLMs) have shown great potential in automated story generation, but challenges remain in maintaining long-form coherence and providing users with intuitive and effective control. Retrieval-Augmented Generation (RAG) has proven effective in reducing hallucinations in text generation; however, the use of structured data to support generative storytelling remains underexplored. This paper investigates how knowledge graphs (KGs) can enhance LLM-based storytelling by improving narrative quality and enabling user-driven modifications. We propose a KG-assisted storytelling pipeline and evaluate its effectiveness through a user study with 15 participants. Participants created their own story prompts, generated stories, and edited knowledge graphs to shape their narratives. Through quantitative and qualitative analysis, our findings demonstrate that knowledge graphs significantly enhance story quality in action-oriented and structured narratives within our system settings. Additionally, editing the knowledge graph increases users' sense of control, making storytelling more engaging, interactive, and playful.