R²: 基于因果情节图的 LLM 小说转剧本生成框架
论文元信息
- 标题: R²: A LLM Based Novel-to-Screenplay Generation Framework with Causal Plot Graphs
- 作者: Zefeng Lin 等 (中国科学技术大学、安徽建筑大学、安徽大学)
- 会议: ICLR 2025
- 页数: 13 页
核心任务：小说到剧本自动生成 (N2SG)
将长篇小说自动改编为剧本。2007-2016 年间英国票房前 20 的电影中有 52% 源自小说改编，但目前的方法只能从预定义大纲生成剧本，而 R² 直接从原始小说文本生成。
两大核心挑战
- LLM 幻觉问题：大语言模型在情节提取和剧本生成中产生不一致、矛盾的内容
- 因果关系嵌入的情节线：必须有效提取因果结构才能保证改写连贯性
两大解决方案
- HAR（幻觉感知优化，Hallucination-Aware Refinement）：迭代发现并消除 LLM 推理中的幻觉效应，同时集成到 Reader 和 Rewriter 两个模块中
- CPC（因果情节图构建，Causal Plot-Graph Construction）：使用贪心破环算法（Prim 算法变体）构建带事件因果关系的情节线
架构：Reader-Rewriter 双模块
- Reader 模块：滑动窗口遍历小说 + CPC → 构建因果情节图
- Rewriter 模块：因果图 → 场景大纲 → 完整剧本（场景描述、角色对话、舞台指导）
- HAR 集成到两个模块中，确保 LLM 推理的准确性
因果情节图定义
- E (事件集合)：每个事件包含地点+时间、背景、描述
- D (因果边集合)：事件间的有向因果关系
- W (关系强度)：High（直接/显著）、Medium（部分/间接）、Low（最小/弱）
贪心破环算法
LLM 初提取的情节图通常包含循环和低强度关系（幻觉产物）。采用 Prim 变体：
- 按强度 W 排序因果边（High → Medium → Low）
- 同等强度按端点度之和升序打破平局
- 对每条边 d(a,b)：若终点 b 已可达起点 a → 跳过（避免成环）；否则加入边集 F
实验结果
与三个现有方法的 GPT-4o 成对比较（人工评估）：
| 指标 | 提升幅度 |
|---|---|
| 整体胜率 vs 基线1 | +51.3% |
| 整体胜率 vs 基线2 | +22.6% |
| 整体胜率 vs 基线3 | +57.1% |
核心创新
模拟人类剧本改编过程：先理解小说的因果情节结构（Reader），再逐场景改写（Rewriter），全程持续进行幻觉检查（HAR）。