基于舞台说明挖掘的亚线性角色网络抽取方法

李建敦，罗宜元，吕 品

(上海电机学院 电子信息学院，上海 201306)

0 引 言

对于剧本中的角色网络(character network)挖掘问题来讲，角色发现较直观，因此判定角色之间关联与否及关联强弱是关键[1]。鉴于语料库的规模及其在行文风格、所属流派等方面的不确定性，致使裸眼分析、手工构建、定性分析或纯粹的语义类方案[2]，如基于自然语言处理(na-tural language processing，NLP)[3]等算法，在可靠性、可扩展性与效率等方面表现不佳。相比之下，统计分析类方法在计算精度的保证下，算法效率更高。目前，主流的统计类方法基本上围绕两个指标来刻画角色关系，即引用距离与对白距离。

角色引用距离类方法假设，如果多个角色同时出现在一个时空内，如连续剧、剧本的连续几幕、单独场次、小说的章节或段落、预定义的文本窗口(宽度为阈值θ)等[4-7]，那么他们两两之间就应该有直接关系，权重为他们协同出现次数或引用距离的反比例函数[8,9]。此类方法对角色协同出现的时空采用阈值估计方法，精度无法保障；同时，协同在场的角色语义上并非一定有关系，因此该基本假设适用面有限；最后，连接也未能反映角色间的偏序关系。

围绕剧本的主体元素，即对白来刻画角色间关系，较引用距离类方法更优。基本思路是将前后相继对白的主体(即隶属角色)进行有序关联(who-talk-to-whom)，其权重可以是对白规模(如行数、字数等)、对白中某角色被提及次数等[10,12]。该类方法实现了连接的有向性，而且围绕剧本主体(平均占比>80%)的对白进行分析，较好提升了模型的可靠性与精度[13]。然而，相邻对白并非一定有关系，且其偏序关系在非语义分析下较难确定，因此该类方法依然存在过度关联的问题。再者，以提及某角色频次为连接权重与实际往往并不相符，因为除了问候、命令等特殊场合外，社交场合中我们几乎不会直呼对方姓名。

通过上述分析发现，无论是围绕引用距离还是对白距离开展的角色网络建模，都存在噪声过多(引入过多冗余连接)、精度不高的问题。为此，围绕剧本中广泛存在但并不占主体地位的舞台说明元素，以65部西方经典戏剧为语料库，本文提出了一种亚线性角色网络抽取方法。总体上，该方法综合了上述两个指标的优势，并在精度与效率上有较大提升。具体来说，该方法通过解析舞台说明文字来确定两两角色是否协同在场；另外，同时在场仅仅构成了直接关系的必要条件，连接的最终生成还需来自对白上下文的舞台说明来佐证。与全文扫描相比，该方法视对白段落为整体，仅仅针对剧本中的辅助文本，即舞台说明，进行线性扫描，遍历规模远低于剧本长度N，因此是亚线性算法。

1 数据集

本文的语料库由65部欧洲多幕剧构成，出自3位不同时代的剧作家，即威廉·莎士比亚(William Shakespeare)，亨利克·易卜生(Henrik Ibsen)与乔治·萧伯纳(George Bernard Shaw)。所有剧本数据均为HTML格式，来源于麻省理工大学在线经典文献项目(Internet Classic Archive)[14]与Gutenberg项目[15]，剧本目录详见表1。下节将面向此数据集，进行角色网络的深度高效挖掘。

2 聚焦舞台说明的角色网络提取方法

总体来讲，本文主要面向剧本文本，特别是其中的舞台说明部分进行统计分析。详细地，该方法由预处理、识别角色与关联角色3个步骤组成，重点是有向含权连接的建模。相关源代码，参见作者在Github上发布的classicPlayParsing项目[16]。

2.1 预处理

鉴于语料库中不同剧本在元素到样式的映射上存在异构性，从提高方法可扩展性的思路出发，非常有必要对其进行标准化处理。本文关注3种元素，即角色(protagonists)、对白(dialogues)与舞台说明(stage directions)，而如何识别并标记它们是预处理阶段的主要工作。通过将异构的HTML文件转化为标准的XML文件格式，剧本元素就可以通过样式来辨识(参见表2)。

表1 语料库详情

表2 语料库详情

Algorithm I： 预处理与标记

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 角色识别

算法Ⅱ以标准文件XF为输入，并通过搜索舞台说明中的有向指示词汇，完成含时舞台的增量枚举，从而将不定代词解析为具体角色名。具体地，如果当前为开场行(算法Ⅱ第2至4行)，那么基于键值对新建一个含时舞台对象，并将其置入顺序舞台列表DS中，表示在当前行(时刻)舞台为空；其中，临时变量pre_stage(第(5)行)是角色子集，目的是为下一个含时舞台对象提供基础人物(第(7)、(18)行)。当有角色登上舞台(第(8)至(10)行)或退下舞台(第(11)、(12)行)时，相应地更新变量cur_stage。特别地，当所有在场人物同时下场时，清空cur_stage，并将含时舞台对象置入舞台列表DS中(第(13)至(15)行)。在不同于pre_stage的情况下，第(16)至(18)行将追加至DS末，并更新pre_stage，为下一轮迭代做准备。至此，我们已经得到了舞台在不同时刻的人物快照，角色行中的不定代词也得以还原为实际人物(第(19)、(20)行)。最后，生成更新后的剧本RXF并返回含时舞台列表DS。

Algorithm Ⅱ： 含时舞台迭代

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通过扫描改进标准版RXF中的角色行，生成了角色全集U。具体地，视行中角色数量来定，如果仅含有一个角色名，那么考虑直接添加至全集U(第(8)、(9)行)，否则需要在拆分后再逐个考虑加入(第(3)至(7)行)。最后，U被返回以作后续之用。

Algorithm III： 角色识别

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 角色关联

为角色全集U中的节点添加有向含权连接，是生成角色网络的最后一步，也是算法核心。为了有效克服对白距离类方法精度不足的问题，此处着力挖掘对白间的指向关系，即谁对谁讲的偏序关系。思路源于剧本中元素间的极端不平衡关系，即对白段落占比高、具有内在指向性与语言异构性，而舞台说明元素围绕对白展开，占比低却具有鲜明的指向性。鉴于语料库中剧本间的异构特征，此处尽量不涉及对白文本的语义理解，仅围绕对白的辅助部分，如舞台说明、标点符号等搜集角色间交流的偏序线索。

(1)X∈DSs且Y∈DSs；

(2)至少满足以下一种情况：

当然，其中的方向性介词“to”可替换为“toward(s)”，“address”，“tell” or “order”等同义词。同时，我们也认识到，在不利用语义解析对白的情况下，仅依靠舞台说明的指示来建立节点间联系并不完备，故而此处引入问号做补充。考虑到反问句的可能性，我们将问号的优先级降至最低。此外，X→Y的权重wXY也可以面向上述3种情况分别计算，其最大值为对白总行数t-s。

Case 3：因为在此情境下没有具体地“XtoY”或“toY”指示，因此权重直接取最大值t-s。

连接X→Y的最终权重是针对X各对白分量上结果的积聚，并以剧本总行数为基进行归一化(normalization)处理。至此，给定剧本的角色网络已经完成建模，具体见算法Ⅳ。

算法Ⅳ以RXF为输入，通过一次扫描实现含权连接集合(ES)的输出。具体地，第(3)至(6)行定位Case 1情况下的对话双方，并标记当前情境为Case 1。第(7)行至(12)行处理角色行，如果情境上下文为Case 3，那么直接将上段对白长度作为变量speaker至本角色间的权重，并更新spea-ker。第(13)至第(16)行处理对白首行，分别为Case 3与Case 1更新变量start3_line与start_line。第(17)行至第(24)行试图枚举Case 2，如果命中，那么结束上一个情境并将结果写入ES(第(19)、(20)行)，并更新相关变量为Case 2做准备(第(21)-(24)行)。当扫描至对白段末行(第(25)行)，完成Case 1或Case 2情境并写入ES(第(26)-(28)行)；最后辨别结束标点是否为问号，如果是，则设定当前的情境为Case 3，并由下一次迭代在算法Ⅳ第(9)行处理完成。为了逻辑连贯性，算法Ⅳ并未考虑多角色同行情况，可用集合替换单个角色从而实现全覆盖。

Algorithm Ⅳ： 连接发现及其权重计算

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 算法复杂性分析

本节所述通过分析舞台说明中的提示信息来建立角色网络的方法，是轻量级的。虽然该方法的建立至少需要扫描剧本3次，即预处理、角色识别与角色关联，但是考虑到其关注核心并非剧本的主体——角色对白段落，而仅监听剧本的辅助元素，即舞台说明、角色行与对白尾行，而这些辅助元素之和在剧本中的平均占比不足20%。因此本文所述方法是轻量级算法，属于亚线性算法范畴，复杂度为o(N)，其中N为剧本规模(如行数)。

3 实验与讨论

面向65部西方经典戏剧的剧本，基于Python(V2.7)对进行了实现，其中的3个角色网络(来自不同作家)如图1所示。网络节点代表剧中人物，连接表示直接对话关系，连接粗度表示关系亲密度。比如从剧本Hamlet的角色网络中不难发现，王子Hamlet对Horatio讲话最多，因此关系最密切(图1)。

在角色网络生成基础上，利用Gephi[17]对网络进行了系统全面的分析，得出一系列统计量，比如平均路径长度、聚类系数与度分布(详见表3)。就节点的无权度分布而言，绝大多数角色网络符合Zipf法则(呈L型)，图2 展示了其中的3个。在语料库上的多次实验结果显示，网络的平均度分布服从无标度的幂律函数P(x)=k-r， 其中r≈2.87。

聚焦经典悲剧Hamlet，在其所对应的无差别连接网络中，有对白的角色共26名，由65条连接成为社交网络。在平均度为2.5的情况下，其中19个节点的度不超过5.0，因此它是典型的“小世界”网络。同时，与真实的社交网络相似，该网络围绕个别“热点”，如Hamlet、Horatio与国王，形成了广泛分布的社团结构，参见图1与表4。

图1 角色网络示例：Hamlet(a)、A Doll’s House(b)、Heartbreak House(c)

莎士比亚悲剧喜剧历史剧易卜生萧伯纳节点数28.122.8235.813.2523.88连接数64.1607134.2575.38平均度2.232.711.973.023.5网络直径5.25.596.82.924.88网络密度0.110.140.060.420.24模块度0.310.350.460.070.23连通组件数2.01.352.03.924.94平均聚类系数0.250.280.240.560.47平均路径长度2.372.522.91.592.13

图2 无差别度分布示例：Hamlet(a)、A Doll’sHouse(b)、Heartbreak House(c)

属性值节点数26连接数65平均度2.5网络直径4.0网络密度0.14模块度0.32连通组件数1.0平均聚类系数0.66平均路径长度2.44

结合角色网络的建模结果与分析发现，利用本文所提出的基于舞台说明的抽取方法，能够在有效降低噪声的基础上精准地挖出剧本中的虚拟网络。多次实验下平均耗时<1.0 s，因此方法是高效的。

4 结束语

随着计算语言学与数字人文研究的持续发展，展望未来我们期待网络科学在其中继续发挥更大的作用。比如给定一个语料库，文学评论家仅需几次鼠标单击，就可实现定量比较与实时分析，本文便是推动当前研究向此方向发展的重要一步。

面向由65部经典多幕剧构成的语料库，围绕剧本舞台说明分析，抽象出含时舞台的动态概念，并基于此给出了角色网络建模的亚线性方法。与角色引用距离或对白距离类算法相比，降低了噪声，提高了建模精度与收敛效率。同时，本文所述方法面向标准交换格式，并不局限于特定的戏剧作品，在对预处理做必要修改后，可以应用于任何给定的英文剧本中，因而通用性较好。