Guiding Generative Storytelling with Knowledge Graphs

要約

大規模な言語モデル（LLM）は、自動化されたストーリー生成に大きな可能性を示していますが、長い形式の一貫性を維持し、ユーザーに直感的で効果的な制御を提供することに課題が残っています。
検索された生成（RAG）は、テキスト生成の幻覚を減らすのに効果的であることが証明されています。
ただし、生成的なストーリーテリングをサポートするために構造化されたデータを使用することは、未定のままです。
このホワイトペーパーでは、ナレーションの品質を向上させ、ユーザー駆動型の変更を可能にすることにより、知識グラフ（KG）がLLMベースのストーリーテリングをどのように強化できるかを調査します。
KG支援のストーリーテリングパイプラインを提案し、15人の参加者を含むユーザー調査を通じてその有効性を評価します。
参加者は、物語を形作るために独自のストーリープロンプト、生成されたストーリー、編集された知識グラフを作成しました。
定量的および定性的分析を通じて、我々の調査結果は、知識グラフがシステム設定内のアクション指向および構造化された物語のストーリー品質を大幅に向上させることを示しています。
さらに、ナレッジグラフを編集すると、ユーザーの制御感が向上し、ストーリーテリングがより魅力的でインタラクティブで遊び心があります。

要約(オリジナル)

Large Language Models (LLMs) have shown great potential in automated story generation, but challenges remain in maintaining long-form coherence and providing users with intuitive and effective control. Retrieval-Augmented Generation (RAG) has proven effective in reducing hallucinations in text generation; however, the use of structured data to support generative storytelling remains underexplored. This paper investigates how knowledge graphs (KGs) can enhance LLM-based storytelling by improving narrative quality and enabling user-driven modifications. We propose a KG-assisted storytelling pipeline and evaluate its effectiveness through a user study with 15 participants. Participants created their own story prompts, generated stories, and edited knowledge graphs to shape their narratives. Through quantitative and qualitative analysis, our findings demonstrate that knowledge graphs significantly enhance story quality in action-oriented and structured narratives within our system settings. Additionally, editing the knowledge graph increases users’ sense of control, making storytelling more engaging, interactive, and playful.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google