叙事上下文的细粒度建模：基于回顾性问题的连贯性视角

这项工作引入了一种原创且实用的叙事理解范式，源于叙事中各个段落往往比孤立状态具有更紧密联系的特性。作为对常见的端到端范式的补充，我们提出了一种叙事上下文的细粒度建模方法，通过构建一个名为 NarCo 的图来显式描绘任务无关的连贯性依赖，可供各种下游任务直接使用。具体而言，NarCo 中的边包含了上下文片段之间的自由形式回顾性问题，其灵感来源于人类不断从先前上下文中恢复相关事件的认知感知。重要的是，通过我们设计的两阶段提示方案，我们的图形式化由 LLM 实际实例化，无需人工标注。为了检验图的属性及其效用，我们在叙事中进行了三项研究，每项研究均具有独特视角：边关系有效性、局部上下文丰富化以及在问答中的更广泛应用。所有任务均可受益于 NarCo 捕获的显式连贯性。