Traitement du langage naturel appliqué à la représentation de textes narratifs par réseaux de personnage

Natural Language Processing for the Representation of Narrative Texts Through Character Networks

• Auteur / Autrice : Arthur Amalvy
• Direction : Vincent Labatut, Richard Dufour
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le ; Soutenance le 09/12/2024
• Etablissement(s) : Avignon
• Ecole(s) doctorale(s) : Agrosciences et Sciences
• Partenaire(s) de recherche : Laboratoire : LIA - Laboratoire d'Informatique d'Avignon
• Partenaire(s) de recherche : Equipe de recherche : CORNET - Complex systems, Operation Resarch and NETworking
• Jury : Président / Présidente : Claire Gardent
• Jury : Examinateurs / Examinatrices : Vincent Labatut, Richard Dufour, Farah Benamara, David Bamman, Christophe Cerisara
• Jury : Rapporteurs / Rapporteuses : Claire Gardent, Christophe Cerisara

Mots clés

Mots clés libres

Traitement automatique du langage naturel

Apprentissage profond

Réseaux Complexes

Documents narratifs

Natural Language Processing

Deep Learning

Complex Networks

Narrative Documents

Résumé

Un réseau de personnages représente des personnages comme des sommets dans un graphe, et leurs relations comme les arêtes entre ces sommets. Dans le cas des oeuvres littéraires, ils permettent de modéliser un récit entier en utilisant un seul objet mathématique. En fonction des besoins, leurs arêtes peuvent représenter différents types d'interactions : co-occurrence, conversation, action directe... De plus, les changements temporels dans les relations peuvent être modélisés avec des réseaux dynamiques. Grâce à cette flexibilité, les réseaux de personnages ont été utilisés pour s'attaquer à plusieurs tâches, comme la classification de genre littéraire, la segmentation de récit, la recommandation ou le résumé automatique. Extraire ces réseaux manuellement est cependant coûteux, et de nombreux chercheurs sont donc intéressés par l'automatisation de ce processus. Cette automatisation nécessite de résoudre différentes tâches de traitement du langage naturel telles que la reconnaissance d'entités nommées (REN), la résolution de coréférences ou l'attribution de locuteur. Dans cette thèse, nous présentons des contributions à ce processus d'extraction automatique dans le cas des romans, ainsi qu'à des applications des réseaux de personnages. Nous proposons Renard, un pipeline d'extraction modulaire que nous mettons à disposition sous une licence libre. Nous l'utilisons pour mieux comprendre la performance des pipelines existants en étudiant l'impact des erreurs de REN et de résolution de coréférences sur la qualité des réseaux extraits. Nous observons que la performance des deux tâches est importante, et dépend fortement du roman étudié. Pour la résolution de coréférences, nous notons également que l'impact dépend du type d'erreur : la précision des liens de coréférence extraits est particulièrement importante afin de détecter des personnages. En outre, nous identifions et contribuons à deux défis des systèmes d'extraction de réseaux de personnages. Le premier est le manque de données littéraires pour entraîner ces systèmes. Nous nous nous y attaquons 1) en proposant un nouveau jeu de données littéraire couvrant la REN et la résolution d'alias et 2) en proposant d'utiliser une technique d'augmentation de données, le remplacement de mentions, dans le cas de la REN inter-domaines. Le second défi que nous identifions est la portée limitée des modèles à base de transformers, qui peut être préjudiciable à la performance de certaines tâches. Nous proposons de récupérer du contexte pertinent au niveau du document pour atténuer le manque d'information induit par cette faible portée, et montrons que cela peut augmenter la performance de la tâche de REN. Enfin, nous présentons des contributions aux applications des réseaux de personnages dans le cadre de deux études de cas. Premièrement, nous utilisons des réseaux modélisant différents types d'interactions dans une analyse de Lorenzaccio d'Alfred de Musset. En utilisant la détection de communautés, nous identifions les intrigues de la pièce, quantifions leurs importances relatives et déterminons les interactions entre elles. De plus, nous proposons une méthode automatique pour détecter des conspirations. Deuxièmement, nous proposons d'employer les réseaux de personnages pour résoudre la tâche d'alignement narratif sur trois adaptations du Trône de Fer de George R. R. Martin : les romans originaux, les comics adaptés de ceux-ci et la série télévisée. Nos résultats montrent que les méthodes basées sur les réseaux peuvent être meilleures que celles basées sur le texte, et peuvent être combinées avec ces dernières pour améliorer la performance. Nous mettons aussi en valeur l'importance de réaliser la tâche d'alignement sur des unités narratives commensurables. Dans ces deux études de cas, nous montrons l'intérêt des réseaux dynamiques.

A character network represents characters as vertices in a graph, and their relationships as edges between them. In the case of literary works, they model a whole narrative using a single mathematical object. Depending on the needs, their edges can represent different types of interactions between characters: co-occurrence, conversation, direct actionldots Additionally, the temporal changes in the relationships between characters can be modeled with dynamic networks. Thanks to this flexibility, character networks have been used to tackle a number of tasks, such as literary genre classification, story segmentation, recommendation or summarization. Manually extracting these networks is costly, which is why many researchers interested in automating the process. This, in turn, requires solving different Natural Language Processing (NLP) tasks such as Named Entity Recognition (NER), coreference resolution or speaker attribution. In this thesis, we present contributions to this automatic extraction process in the case of novels, as well as to character network applications. Inspired by the 2019 survey of Labatut and Bost that summarizes existing extraction efforts in a generic extraction framework, we propose Renard, a modular character network extraction pipeline that we release under a free license. We use Renard to better understand the performance of existing extraction pipelines by studying the impact of NER and coreference resolution errors on the quality of extracted networks. We find that both tasks' performance is important to network quality and depends strongly on the novel. In the case of coreference resolution, we also observe that different errors do not have the same impact: linking precision is particularly important when it comes to correctly detecting characters. Additionally, we identify and work on two challenges of automatic character network extraction systems. The first one is the lack of literary data to train such systems. We tackle this challenge by 1) releasing a new literary dataset covering the NER and character unification tasks; and 2) proposing to use a NER data augmentation scheme, mention replacement, to alleviate the issue of unseen name style in the case of cross-domain NER. The second challenge we identify is the limited range of transformers-based models, which can be detrimental to performance in some tasks. We propose to retrieve relevant context at the document level to mitigate the lack of information induced by that lack of range, and show that it can increase performance for the NER task. Finally, we present contributions in character network applications on two case studies. First, we leverage networks modeling different types of interactions (co-occurrence, mention and conversation) on an analysis of Alfred de Musset's Lorenzaccio. By using community detection on a co-occurrence network, we identify subplots, quantify their relative importance and find interactions between them. Additionally, we propose a method to detect automatically conspiracies using our dynamic mention and conversational networks. Second, we propose to leverage character networks to perform narrative matching (i.e. the task of matching corresponding narrative units) on three different adaptations of George R. R. Martin's A Song of Ice and Fire across media: the original novels, the comics directly adapted from these and the HBO TV show. Our results show that network-based methods can outperform existing text-based ones, and can even be combined with them to increase performance. We also highlight the importance of working on commensurate narrative units. In these two case studies, we leverage dynamic networks and show their interest, despite their relative underusage in the character network literature.