Critic's Eye: Review-Grounded Graph Reasoning for Long-Form Motif Discovery
作者: Xinyu Sun, Zhangyue Yin, Xinyi Ju, Xin Wang
分类: cs.AI
发布日期: 2026-10-26
备注: 17 pages, 8 figures, 6 tables. EMNLP 2026
💡 一句话要点
提出Critic's Eye以解决长篇文学中的动机发现问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 长篇文学 动机发现 叙事理解 图神经网络 文本挖掘 结构推理
📋 核心要点
- 现有的序列模型在解析长篇文学作品时面临着分散依赖关系的挑战，难以有效捕捉全局结构信息。
- 论文提出的Critic's Eye通过构建异构叙事拓扑图，利用全局结构证据进行判别推理，从而实现动机的有效发现。
- 实验结果表明，Critic's Eye在基准测试中达到了84.8%的Hit@5，显著优于现有的最先进模型，提升幅度接近四倍。
📝 摘要（中文）
深度叙事理解需要区分事件的发生与呈现方式，超越时间顺序的叙述，解码主题的叙事组织。我们通过文学动机的重复出现进行研究，提出了计算动机发现的框架，旨在利用完整的叙事结构预测缺失的行-动机链接。我们提出的Critic's Eye将作品建模为异构叙事拓扑图，并在全局结构证据上进行判别推理。Critic's Eye在基准测试中实现了84.8%的Hit@5，几乎是现有最先进的模型的四倍。我们的分析表明，尽管模型规模巨大，基于序列的方法在解析分散依赖关系时遇到了“语义天花板”，这表明显式结构先验比参数扩展更有效。
🔬 方法详解
问题定义：本论文旨在解决长篇文学作品中动机发现的问题，现有方法在处理分散依赖关系时表现不佳，难以有效利用全局结构信息。
核心思路：Critic's Eye通过构建异构叙事拓扑图，利用全局结构证据进行判别推理，从而更好地捕捉动机的重复与变异，提升动机发现的准确性。
技术框架：整体架构包括数据预处理、异构图构建、判别推理模块和结果输出。首先，将文本转化为图结构，然后在图上进行推理以预测缺失的行-动机链接。
关键创新：最重要的创新在于将叙事作品建模为异构拓扑图，利用全局结构信息进行推理，这与传统的序列模型方法有本质区别。
关键设计：在模型设计中，采用了特定的损失函数以优化判别推理效果，并在网络结构中引入了图神经网络的元素，以增强对复杂结构的建模能力。
🖼️ 关键图片
📊 实验亮点
Critic's Eye在基准测试中实现了84.8%的Hit@5，显著优于现有最先进的Gemini-3-pro-preview模型（约22.6%），提升幅度接近四倍。这一结果表明，显式结构先验在解析复杂文学作品时的有效性。
🎯 应用场景
该研究的潜在应用领域包括文学分析、文本挖掘和教育技术等。通过更好地理解文学作品中的动机，能够为教育工作者和学生提供更深入的分析工具，促进文学教育的创新与发展。未来，该方法也可以扩展到其他类型的文本分析中，提升人机交互的智能化水平。
📄 摘要（原文）
Deep narrative understanding requires distinguishing what happens from how it is presented, moving beyond the chronological fabula to decode the sjuzet, the discursive organization through which themes are staged. We study this through the recurrence of literary motifs (blood in Macbeth, for instance), where symbolic significance emerges not from local cues, but through repetition-with-variation across the whole work. We operationalize this setting as Computational Motif Discovery, a transductive task that predicts missing line-motif links using the full narrative structure of a play. We propose Critic's Eye, which models the work as a heterogeneous Narrative Topology Graph and performs discriminative inference over global structural evidence. Critic's Eye achieves 84.8% Hit@5 on our benchmark, nearly quadrupling state-of-the-art proprietary foundation models (Gemini-3-pro-preview, ~22.6%). Our analysis reveals that despite massive scaling, sequence-based models hit a "semantic ceiling", struggling to resolve dispersed dependencies. These findings suggest that explicit structural priors are a far more effective inductive bias than parameter scaling for decoding the complex architecture of long-form literature.