基于舞臺說明挖掘的亞線性角色網(wǎng)絡(luò)抽取方法

李建敦，羅宜元，呂 品

(上海電機學(xué)院 電子信息學(xué)院，上海 201306)

0 引 言

對于劇本中的角色網(wǎng)絡(luò)(character network)挖掘問題來講，角色發(fā)現(xiàn)較直觀，因此判定角色之間關(guān)聯(lián)與否及關(guān)聯(lián)強弱是關(guān)鍵[1]。鑒于語料庫的規(guī)模及其在行文風(fēng)格、所屬流派等方面的不確定性，致使裸眼分析、手工構(gòu)建、定性分析或純粹的語義類方案[2]，如基于自然語言處理(na-tural language processing，NLP)[3]等算法，在可靠性、可擴展性與效率等方面表現(xiàn)不佳。相比之下，統(tǒng)計分析類方法在計算精度的保證下，算法效率更高。目前，主流的統(tǒng)計類方法基本上圍繞兩個指標(biāo)來刻畫角色關(guān)系，即引用距離與對白距離。

角色引用距離類方法假設(shè)，如果多個角色同時出現(xiàn)在一個時空內(nèi)，如連續(xù)劇、劇本的連續(xù)幾幕、單獨場次、小說的章節(jié)或段落、預(yù)定義的文本窗口(寬度為閾值θ)等[4-7]，那么他們兩兩之間就應(yīng)該有直接關(guān)系，權(quán)重為他們協(xié)同出現(xiàn)次數(shù)或引用距離的反比例函數(shù)[8,9]。此類方法對角色協(xié)同出現(xiàn)的時空采用閾值估計方法，精度無法保障；同時，協(xié)同在場的角色語義上并非一定有關(guān)系，因此該基本假設(shè)適用面有限；最后，連接也未能反映角色間的偏序關(guān)系。

圍繞劇本的主體元素，即對白來刻畫角色間關(guān)系，較引用距離類方法更優(yōu)?；舅悸肥菍⑶昂笙嗬^對白的主體(即隸屬角色)進行有序關(guān)聯(lián)(who-talk-to-whom)，其權(quán)重可以是對白規(guī)模(如行數(shù)、字數(shù)等)、對白中某角色被提及次數(shù)等[10,12]。該類方法實現(xiàn)了連接的有向性，而且圍繞劇本主體(平均占比>80%)的對白進行分析，較好提升了模型的可靠性與精度[13]。然而，相鄰對白并非一定有關(guān)系，且其偏序關(guān)系在非語義分析下較難確定，因此該類方法依然存在過度關(guān)聯(lián)的問題。再者，以提及某角色頻次為連接權(quán)重與實際往往并不相符，因為除了問候、命令等特殊場合外，社交場合中我們幾乎不會直呼對方姓名。

通過上述分析發(fā)現(xiàn)，無論是圍繞引用距離還是對白距離開展的角色網(wǎng)絡(luò)建模，都存在噪聲過多(引入過多冗余連接)、精度不高的問題。為此，圍繞劇本中廣泛存在但并不占主體地位的舞臺說明元素，以65部西方經(jīng)典戲劇為語料庫，本文提出了一種亞線性角色網(wǎng)絡(luò)抽取方法?？傮w上，該方法綜合了上述兩個指標(biāo)的優(yōu)勢，并在精度與效率上有較大提升。具體來說，該方法通過解析舞臺說明文字來確定兩兩角色是否協(xié)同在場；另外，同時在場僅僅構(gòu)成了直接關(guān)系的必要條件，連接的最終生成還需來自對白上下文的舞臺說明來佐證。與全文掃描相比，該方法視對白段落為整體，僅僅針對劇本中的輔助文本，即舞臺說明，進行線性掃描，遍歷規(guī)模遠低于劇本長度N，因此是亞線性算法。

1 數(shù)據(jù)集

本文的語料庫由65部歐洲多幕劇構(gòu)成，出自3位不同時代的劇作家，即威廉·莎士比亞(William Shakespeare)，亨利克·易卜生(Henrik Ibsen)與喬治·蕭伯納(George Bernard Shaw)。所有劇本數(shù)據(jù)均為HTML格式，來源于麻省理工大學(xué)在線經(jīng)典文獻項目(Internet Classic Archive)[14]與Gutenberg項目[15]，劇本目錄詳見表1。下節(jié)將面向此數(shù)據(jù)集，進行角色網(wǎng)絡(luò)的深度高效挖掘。

2 聚焦舞臺說明的角色網(wǎng)絡(luò)提取方法

總體來講，本文主要面向劇本文本，特別是其中的舞臺說明部分進行統(tǒng)計分析。詳細地，該方法由預(yù)處理、識別角色與關(guān)聯(lián)角色3個步驟組成，重點是有向含權(quán)連接的建模。相關(guān)源代碼，參見作者在Github上發(fā)布的classicPlayParsing項目[16]。

2.1 預(yù)處理

鑒于語料庫中不同劇本在元素到樣式的映射上存在異構(gòu)性，從提高方法可擴展性的思路出發(fā)，非常有必要對其進行標(biāo)準(zhǔn)化處理。本文關(guān)注3種元素，即角色(protagonists)、對白(dialogues)與舞臺說明(stage directions)，而如何識別并標(biāo)記它們是預(yù)處理階段的主要工作。通過將異構(gòu)的HTML文件轉(zhuǎn)化為標(biāo)準(zhǔn)的XML文件格式，劇本元素就可以通過樣式來辨識(參見表2)。

表1 語料庫詳情

表2 語料庫詳情

Algorithm I： 預(yù)處理與標(biāo)記

Input：HF,LL,I,R,S

Output：XF

Begin：

(1) ScanHFto initializell,i,rands;

(2) Compare withLL,I,R,Sto identifyHF’s style;

(3) For line inHF:

(4) If this is a character line and ‘but’ in line:

(5) Truncate words from ‘but’ to the end line;

(6) Write line intoXF;

End

2.2 角色識別

算法Ⅱ以標(biāo)準(zhǔn)文件XF為輸入，并通過搜索舞臺說明中的有向指示詞匯，完成含時舞臺的增量枚舉，從而將不定代詞解析為具體角色名。具體地，如果當(dāng)前為開場行(算法Ⅱ第2至4行)，那么基于鍵值對新建一個含時舞臺對象，并將其置入順序舞臺列表DS中，表示在當(dāng)前行(時刻)舞臺為空；其中，臨時變量pre_stage(第(5)行)是角色子集，目的是為下一個含時舞臺對象提供基礎(chǔ)人物(第(7)、(18)行)。當(dāng)有角色登上舞臺(第(8)至(10)行)或退下舞臺(第(11)、(12)行)時，相應(yīng)地更新變量cur_stage。特別地，當(dāng)所有在場人物同時下場時，清空cur_stage，并將含時舞臺對象置入舞臺列表DS中(第(13)至(15)行)。在不同于pre_stage的情況下，第(16)至(18)行將追加至DS末，并更新pre_stage，為下一輪迭代做準(zhǔn)備。至此，我們已經(jīng)得到了舞臺在不同時刻的人物快照，角色行中的不定代詞也得以還原為實際人物(第(19)、(20)行)。最后，生成更新后的劇本RXF并返回含時舞臺列表DS。

Algorithm Ⅱ： 含時舞臺迭代

Input：XF

Output：RXF,DS

Begin：

(1) Forln,line inXF:

(2) If ‘Scene’ in line:

(3) Append toDS;

(4) pre_stage =Null;

(5) temp = []

(6) If this is a stage direction line:

(7)cur_stage=pre_stage;

(8) If ‘Enter’ in line:

(9) Append followed characters to temp;

(10) Append temp tocur_stage;

(11) If ‘Exit’ in line:

(12) Truncate characters fromcur_stage;

(13) Elif ‘Exeunt’ in line:

(14) Append to DS;

(15)pre_stage=Null;

(16) Ifpre_stage!=cur_stage:

(17) Append to DS;

(18)pre_stage=cur_stage;

(19) If this is a character line:

(20) Substitute indefinite pronouns with names;

(21) write revision toRXF;

(22) returnDS;

End

算法Ⅲ通過掃描改進標(biāo)準(zhǔn)版RXF中的角色行，生成了角色全集U。具體地，視行中角色數(shù)量來定，如果僅含有一個角色名，那么考慮直接添加至全集U(第(8)、(9)行)，否則需要在拆分后再逐個考慮加入(第(3)至(7)行)。最后，U被返回以作后續(xù)之用。

Algorithm III： 角色識別

Input：RXF

Output：CS

Begin：

(1) For line inRXF:

(2) If this is a character line:

(3) If it has multiple characters:

(4) Split it into temp;

(5) For t in temp:

(6) If t not inCS:

(7) Append character names toCS;

(8) Elif line not inCS:

(9) Append line toCS;

(10) returnCS;

End

2.3 角色關(guān)聯(lián)

為角色全集U中的節(jié)點添加有向含權(quán)連接，是生成角色網(wǎng)絡(luò)的最后一步，也是算法核心。為了有效克服對白距離類方法精度不足的問題，此處著力挖掘?qū)Π组g的指向關(guān)系，即誰對誰講的偏序關(guān)系。思路源于劇本中元素間的極端不平衡關(guān)系，即對白段落占比高、具有內(nèi)在指向性與語言異構(gòu)性，而舞臺說明元素圍繞對白展開，占比低卻具有鮮明的指向性。鑒于語料庫中劇本間的異構(gòu)特征，此處盡量不涉及對白文本的語義理解，僅圍繞對白的輔助部分，如舞臺說明、標(biāo)點符號等搜集角色間交流的偏序線索。

(1)X∈DSs且Y∈DSs；

(2)至少滿足以下一種情況：

當(dāng)然，其中的方向性介詞“to”可替換為“toward(s)”，“address”，“tell” or “order”等同義詞。同時，我們也認識到，在不利用語義解析對白的情況下，僅依靠舞臺說明的指示來建立節(jié)點間聯(lián)系并不完備，故而此處引入問號做補充?？紤]到反問句的可能性，我們將問號的優(yōu)先級降至最低。此外，X→Y的權(quán)重wXY也可以面向上述3種情況分別計算，其最大值為對白總行數(shù)t-s。

Case 3：因為在此情境下沒有具體地“XtoY”或“toY”指示，因此權(quán)重直接取最大值t-s。

連接X→Y的最終權(quán)重是針對X各對白分量上結(jié)果的積聚，并以劇本總行數(shù)為基進行歸一化(normalization)處理。至此，給定劇本的角色網(wǎng)絡(luò)已經(jīng)完成建模，具體見算法Ⅳ。

算法Ⅳ以RXF為輸入，通過一次掃描實現(xiàn)含權(quán)連接集合(ES)的輸出。具體地，第(3)至(6)行定位Case 1情況下的對話雙方，并標(biāo)記當(dāng)前情境為Case 1。第(7)行至(12)行處理角色行，如果情境上下文為Case 3，那么直接將上段對白長度作為變量speaker至本角色間的權(quán)重，并更新spea-ker。第(13)至第(16)行處理對白首行，分別為Case 3與Case 1更新變量start3_line與start_line。第(17)行至第(24)行試圖枚舉Case 2，如果命中，那么結(jié)束上一個情境并將結(jié)果寫入ES(第(19)、(20)行)，并更新相關(guān)變量為Case 2做準(zhǔn)備(第(21)-(24)行)。當(dāng)掃描至對白段末行(第(25)行)，完成Case 1或Case 2情境并寫入ES(第(26)-(28)行)；最后辨別結(jié)束標(biāo)點是否為問號，如果是，則設(shè)定當(dāng)前的情境為Case 3，并由下一次迭代在算法Ⅳ第(9)行處理完成。為了邏輯連貫性，算法Ⅳ并未考慮多角色同行情況，可用集合替換單個角色從而實現(xiàn)全覆蓋。

Algorithm Ⅳ： 連接發(fā)現(xiàn)及其權(quán)重計算

Input：RXF

Output：ES

Begin：

(1)speaker=",listener=",case=0,line_count=0;

(2) Forln,line inRXF:

(3) If this is stage direction line and ‘to’ spotted:

(4)speaker= character preceded to ‘to’;

(5)listener= character succeeded to ‘to’;

(6)case= 1;

(7) Elif this is a character line:

(8) Ifcase==3:

(9) Write ‘speaker,line,end_line-start3_line’;

(10)case=0;

(11)q_line=end_line= 0;

(12)speaker= line;

(13) Elif this is the starting of a speech section:

(14)start3_line=ln;// starting line for case-3

(15) ifcase==1:

(16)start_line=ln;

(17) If this is one line of a speech section:

(18) If an embedded direction with‘To’spotted:

(19) Ifcase==1 orcase==2:

(20) Write ‘speaker,listener,ln-start_line’;

(21)case=2;

(22)listener= character succeeded to ′To′;

(23)start_line=ln;

(24)q_line=ln;

(25) If this is the end line of a speech section:

(26) Ifcase==1 orcase==2:

(27) Write ‘speaker,listener,ln-start_line’;

(28)case=0;

(29) Elif line end with ‘?’:

(30)case=3;

(31)end_line=ln;

(32) returnES;

End

2.4 算法復(fù)雜性分析

本節(jié)所述通過分析舞臺說明中的提示信息來建立角色網(wǎng)絡(luò)的方法，是輕量級的。雖然該方法的建立至少需要掃描劇本3次，即預(yù)處理、角色識別與角色關(guān)聯(lián)，但是考慮到其關(guān)注核心并非劇本的主體——角色對白段落，而僅監(jiān)聽劇本的輔助元素，即舞臺說明、角色行與對白尾行，而這些輔助元素之和在劇本中的平均占比不足20%。因此本文所述方法是輕量級算法，屬于亞線性算法范疇，復(fù)雜度為o(N)，其中N為劇本規(guī)模(如行數(shù))。

3 實驗與討論

面向65部西方經(jīng)典戲劇的劇本，基于Python(V2.7)對進行了實現(xiàn)，其中的3個角色網(wǎng)絡(luò)(來自不同作家)如圖1所示。網(wǎng)絡(luò)節(jié)點代表劇中人物，連接表示直接對話關(guān)系，連接粗度表示關(guān)系親密度。比如從劇本Hamlet的角色網(wǎng)絡(luò)中不難發(fā)現(xiàn)，王子Hamlet對Horatio講話最多，因此關(guān)系最密切(圖1)。

在角色網(wǎng)絡(luò)生成基礎(chǔ)上，利用Gephi[17]對網(wǎng)絡(luò)進行了系統(tǒng)全面的分析，得出一系列統(tǒng)計量，比如平均路徑長度、聚類系數(shù)與度分布(詳見表3)。就節(jié)點的無權(quán)度分布而言，絕大多數(shù)角色網(wǎng)絡(luò)符合Zipf法則(呈L型)，圖2 展示了其中的3個。在語料庫上的多次實驗結(jié)果顯示，網(wǎng)絡(luò)的平均度分布服從無標(biāo)度的冪律函數(shù)P(x)=k-r， 其中r≈2.87。

聚焦經(jīng)典悲劇Hamlet，在其所對應(yīng)的無差別連接網(wǎng)絡(luò)中，有對白的角色共26名，由65條連接成為社交網(wǎng)絡(luò)。在平均度為2.5的情況下，其中19個節(jié)點的度不超過5.0，因此它是典型的“小世界”網(wǎng)絡(luò)。同時，與真實的社交網(wǎng)絡(luò)相似，該網(wǎng)絡(luò)圍繞個別“熱點”，如Hamlet、Horatio與國王，形成了廣泛分布的社團結(jié)構(gòu)，參見圖1與表4。

圖1 角色網(wǎng)絡(luò)示例：Hamlet(a)、A Doll’s House(b)、Heartbreak House(c)

莎士比亞悲劇喜劇歷史劇易卜生蕭伯納節(jié)點數(shù)28.122.8235.813.2523.88連接數(shù)64.1607134.2575.38平均度2.232.711.973.023.5網(wǎng)絡(luò)直徑5.25.596.82.924.88網(wǎng)絡(luò)密度0.110.140.060.420.24模塊度0.310.350.460.070.23連通組件數(shù)2.01.352.03.924.94平均聚類系數(shù)0.250.280.240.560.47平均路徑長度2.372.522.91.592.13

圖2 無差別度分布示例：Hamlet(a)、A Doll’sHouse(b)、Heartbreak House(c)

屬性值節(jié)點數(shù)26連接數(shù)65平均度2.5網(wǎng)絡(luò)直徑4.0網(wǎng)絡(luò)密度0.14模塊度0.32連通組件數(shù)1.0平均聚類系數(shù)0.66平均路徑長度2.44

結(jié)合角色網(wǎng)絡(luò)的建模結(jié)果與分析發(fā)現(xiàn)，利用本文所提出的基于舞臺說明的抽取方法，能夠在有效降低噪聲的基礎(chǔ)上精準(zhǔn)地挖出劇本中的虛擬網(wǎng)絡(luò)。多次實驗下平均耗時<1.0 s，因此方法是高效的。

4 結(jié)束語

隨著計算語言學(xué)與數(shù)字人文研究的持續(xù)發(fā)展，展望未來我們期待網(wǎng)絡(luò)科學(xué)在其中繼續(xù)發(fā)揮更大的作用。比如給定一個語料庫，文學(xué)評論家僅需幾次鼠標(biāo)單擊，就可實現(xiàn)定量比較與實時分析，本文便是推動當(dāng)前研究向此方向發(fā)展的重要一步。

面向由65部經(jīng)典多幕劇構(gòu)成的語料庫，圍繞劇本舞臺說明分析，抽象出含時舞臺的動態(tài)概念，并基于此給出了角色網(wǎng)絡(luò)建模的亞線性方法。與角色引用距離或?qū)Π拙嚯x類算法相比，降低了噪聲，提高了建模精度與收斂效率。同時，本文所述方法面向標(biāo)準(zhǔn)交換格式，并不局限于特定的戲劇作品，在對預(yù)處理做必要修改后，可以應(yīng)用于任何給定的英文劇本中，因而通用性較好。