諸 峰，曹存根

(1. 中國科學(xué)院 計(jì)算技術(shù)研究所 智能信息處理重點(diǎn)實(shí)驗(yàn)室，北京 100190；2. 中國科學(xué)院大學(xué)，北京 100049)

1 引言

敘事在人類生活中無處不在，它是人們將各種經(jīng)驗(yàn)組織成有現(xiàn)實(shí)意義的事件的基本方式，是人們傳遞信息、交流感情、娛樂和教育的重要手段。敘事的范圍很廣泛，一部小說、一個(gè)故事、一首詩歌、一部電影或一段對話等都可以稱之為敘事，本文所討論的敘事主要是指由事件組成的具有一定情節(jié)的故事。所謂敘事生成，指的是利用計(jì)算機(jī)根據(jù)用戶需求，生成并講述個(gè)性化的敘事，使計(jì)算機(jī)能夠在一定程度上模擬人類的敘事能力，其表現(xiàn)形式不僅僅局限于文本，也可以是圖片、動(dòng)畫或影片等。研究敘事生成，有助于我們解釋和理解人類的認(rèn)知、學(xué)習(xí)、創(chuàng)作、交流等高級(jí)智能，也有助于更好地滿足人們生活?yuàn)蕵?、教育培?xùn)等不斷增長的應(yīng)用需求。

國外研究者對敘事生成的研究起步較早，早在上世紀(jì)70年代，耶魯大學(xué)的Schank和Abelson就使用目標(biāo)、規(guī)劃和腳本研究敘事文本的理解，并提出了理解敘事文本的可計(jì)算模型[1]。1976年，美國加州大學(xué)計(jì)算機(jī)與信息科學(xué)系教授Meehan開發(fā)了世界上第一個(gè)自動(dòng)故事生成系統(tǒng)Tale-Spin，該系統(tǒng)中包含一些事先給定的故事人物，每個(gè)人物都有自己的目標(biāo)和對其他人物的態(tài)度，在生成故事的過程中，每個(gè)人物不斷嘗試可以達(dá)到自身目標(biāo)的操作，并對故事世界的變化做出反應(yīng)，從而生成類似于伊索寓言類的故事[2]。1990年，Davis和Travers在麻省理工學(xué)院媒體實(shí)驗(yàn)室組織了一個(gè)討論班，探討文學(xué)理論和人工智能交叉領(lǐng)域的一些問題，敘事智能(Narrative Intelligence)這一概念由此產(chǎn)生[3]。進(jìn)入21世紀(jì)，敘事生成研究更是得到了飛速的發(fā)展，產(chǎn)生了一些具有深遠(yuǎn)影響的敘事生成系統(tǒng)，如以角色為中心的Oz[4]、Interactive Storytelling[5]等敘事系統(tǒng)和以作者為中心的Fa?ade[6]、Fabulist[7]等敘事系統(tǒng)。相比之下，國內(nèi)在敘事生成方面的研究比較薄弱，相關(guān)工作主要集中于兩個(gè)方面，一是研究古詩詞的計(jì)算機(jī)輔助創(chuàng)作與分析，如北京大學(xué)計(jì)算語言研究所與中國臺(tái)灣元智大學(xué)等單位合作開發(fā)的“古代詩詞計(jì)算機(jī)輔助研究系統(tǒng)”[8]。廈門大學(xué)的周昌樂教授提出了“計(jì)算詩學(xué)”這一概念，并對基于統(tǒng)計(jì)抽詞和格律的全宋詞切分語料庫開展了研究[9]。此外，清華大學(xué)和微軟亞洲研究院何晶、周明等人研究從已有的古今名詩中自動(dòng)學(xué)習(xí)作詩知識(shí)，實(shí)現(xiàn)了一個(gè)中文格律詩的自動(dòng)生成系統(tǒng)[10]。另一方面的工作是研究敘事和動(dòng)畫的自動(dòng)生成，如中國科學(xué)院數(shù)學(xué)與系統(tǒng)科學(xué)研究院陸汝鈐院士領(lǐng)導(dǎo)開發(fā)的全過程計(jì)算機(jī)輔助動(dòng)畫自動(dòng)生成系統(tǒng)——天鵝[11]。中國科學(xué)院計(jì)算所曹存根研究員領(lǐng)導(dǎo)的研究小組研制的一種基于情節(jié)、角色和觀眾三位一體的計(jì)算機(jī)敘事和動(dòng)畫自動(dòng)生成系統(tǒng)，稱為PNAI(A Platform for Narrative and Animation Intelligence)[12-14]。另外，中國科學(xué)院自動(dòng)化研究所的黃泰翼研究員研究了基于用戶模型和文本規(guī)劃方法的問答系統(tǒng)中文本的自動(dòng)生成技術(shù)[15]。目前，敘事生成技術(shù)已經(jīng)初步應(yīng)用于教育、事務(wù)處理、生活?yuàn)蕵返阮I(lǐng)域。不僅如此，該技術(shù)還在虛擬社會(huì)、智能仿真等領(lǐng)域具有廣泛的應(yīng)用前景，但是由于現(xiàn)有方法的局限性，要滿足這些領(lǐng)域的實(shí)際需求還需要進(jìn)行大量的理論和實(shí)踐研究。

通過對相關(guān)文獻(xiàn)的閱讀、整理和分析，我們發(fā)現(xiàn)敘事生成是一個(gè)涉及計(jì)算機(jī)科學(xué)、心理學(xué)、社會(huì)學(xué)、語言學(xué)、數(shù)學(xué)等多學(xué)科交叉的復(fù)雜問題。在計(jì)算機(jī)科學(xué)領(lǐng)域，主要是利用人工智能、自然語言處理、計(jì)算語言學(xué)中的相關(guān)理論和方法來研究敘事生成，這些理論和方法包括知識(shí)表示與推理、智能規(guī)劃、智能多主體系統(tǒng)、情感計(jì)算、對話系統(tǒng)、自然語言理解和自然語言生成等。從研究方法和技術(shù)路線上，目前的敘事生成方法主要包括基于智能規(guī)劃的方法、基于常識(shí)與知識(shí)本體的方法、基于故事文法的方法等。在具體分析敘事生成方法前，我們先介紹一下敘事生成的處理過程，以便讀者對敘事生成的相關(guān)概念有一個(gè)初步的認(rèn)識(shí)。

2 敘事生成的處理過程

現(xiàn)有工作將敘事生成的處理過程分為創(chuàng)作需求獲取、敘事情節(jié)規(guī)劃和敘事內(nèi)容合成三個(gè)部分，如圖1所示：

圖1 敘事生成處理過程

首先是創(chuàng)作需求獲取，可采用兩種方法，一種方法是直接寫創(chuàng)作需求腳本，這種方法適合對腳本熟悉的專業(yè)用戶；另一種方法是面向普通用戶，采用向用戶提問的方式獲取創(chuàng)作需求，提問內(nèi)容包括敘事中人物、場景、物體的各項(xiàng)屬性。以人物為例，相關(guān)屬性有人物的生理屬性，如性別、年齡、容貌、性格等；認(rèn)知屬性，如目標(biāo)、信念等；心理屬性，如態(tài)度、情緒等；社會(huì)屬性，如身份、規(guī)范、人物關(guān)系、婚姻狀況等；物理屬性，如人物所處位置等。此外，還包括創(chuàng)作目標(biāo)和創(chuàng)作意圖的定義，其中創(chuàng)作目標(biāo)定義了敘事結(jié)束時(shí)人物、場景或物體的相關(guān)屬性，創(chuàng)作意圖定義了敘事過程中會(huì)發(fā)生的一些事件，是對敘事情節(jié)的一種控制，對這一概念的進(jìn)一步了解可參考文獻(xiàn)[16]。創(chuàng)作需求中各項(xiàng)屬性以謂詞的形式進(jìn)行表示，在獲取創(chuàng)作需求時(shí)，還可以利用缺省邏輯定義相關(guān)的缺省規(guī)則，從而減少用戶的輸入操作。根據(jù)用戶對相關(guān)問題的回答，自動(dòng)將這些回答轉(zhuǎn)換為創(chuàng)作需求腳本的形式，下一步的處理是進(jìn)行敘事情節(jié)的規(guī)劃，即采用現(xiàn)有的智能規(guī)劃方法，結(jié)合相關(guān)的創(chuàng)作知識(shí)約束，自動(dòng)產(chǎn)生從初始狀態(tài)到目標(biāo)狀態(tài)，滿足時(shí)序和因果約束的事件序列。最后是敘事內(nèi)容生成，它以情節(jié)規(guī)劃輸出的事件序列為輸入，考慮如何將事件序列轉(zhuǎn)換為自然語言形式的文本或動(dòng)畫、影片形式的媒體。

這里以marry-a-girl敘事中的一個(gè)簡單片段為例，敘事生成的處理過程實(shí)例如圖2所示。首先是創(chuàng)作需求獲取，采用直接定義創(chuàng)作需求腳本的方法，其中inits表示初始狀態(tài)的定義，(single Tom)表示湯姆是單身的，(loves Tom Mary)表示湯姆愛瑪麗，(has Tom Money)表示湯姆有錢，and表示初始狀態(tài)為這些謂詞的合取。author_goal表示創(chuàng)作者目標(biāo)，在該例中，目標(biāo)為(married Tom Mary)，即如果湯姆和瑪麗結(jié)婚，則敘事目標(biāo)達(dá)到，敘事生成可以終止。author_intention表示創(chuàng)作意圖，在該例中，sometime(lose Tom Wedding-Ring)表示敘事過程中某個(gè)時(shí)刻會(huì)發(fā)生“湯姆丟失婚戒”這樣的事件。有了創(chuàng)作需求，就可以利用下面介紹的敘事規(guī)劃方法產(chǎn)生情節(jié)的事件序列，在該例中，情節(jié)規(guī)劃模塊輸出的事件序列為“購買(湯姆，婚戒)、丟失(湯姆，婚戒)、找到(湯姆，婚戒)、求婚(湯姆，瑪麗)、結(jié)婚(湯姆，瑪麗)”。有了情節(jié)片段后，再利用內(nèi)容合成模塊輸出敘事，在這個(gè)例子中，簡單的將敘事事件序列轉(zhuǎn)換為相應(yīng)的文本，敘事輸出為：湯姆購買婚戒，湯姆丟失婚戒，湯姆找到了婚戒，湯姆向瑪麗求婚，湯姆和瑪麗結(jié)婚。

圖2 marry-a-girl敘事生成處理過程實(shí)例

3 基于智能規(guī)劃的敘事生成方法

智能規(guī)劃是人工智能一個(gè)重要的領(lǐng)域，其研究起源于上世紀(jì)60年代。智能規(guī)劃主要思想是對周圍環(huán)境進(jìn)行感知和分析，根據(jù)要實(shí)現(xiàn)的目標(biāo)，對若干可供選擇的動(dòng)作及所提供的資源限制進(jìn)行推理，綜合制定出實(shí)現(xiàn)目標(biāo)的規(guī)劃。比較著名的規(guī)劃系統(tǒng)是1971年Fikes和Nilsson設(shè)計(jì)的STRIPS系統(tǒng)[17]，它在智能規(guī)劃的研究中具有重大的意義和價(jià)值?；谥悄芤?guī)劃的敘事生成，其主要思想是將敘事生成問題表示為經(jīng)典的規(guī)劃問題。敘事的初始設(shè)定對應(yīng)于規(guī)劃中的初始狀態(tài)，通常用一階謂詞來表示，如at(tom, home)，has(tom, ticket)。敘事中作者想要達(dá)到的目標(biāo)對應(yīng)于規(guī)劃中的目標(biāo)狀態(tài)，如dead(Jack)，married(Tom,Jones)。敘事中各主體可以執(zhí)行的動(dòng)作以及環(huán)境中可以發(fā)生的事件對應(yīng)于規(guī)劃中的操作，如go(Tom,home,cinema), marry(Tom,Jones)。這樣敘事生成問題就抽象成為在給定的一個(gè)領(lǐng)域，尋找一條從初始狀態(tài)到目標(biāo)狀態(tài)，并滿足一定順序和因果約束的事件序列的規(guī)劃問題。

基于智能規(guī)劃的敘事生成方法被分為兩類： 一類是以角色為中心的方法，另一類是以作者為中心的方法[18]。以角色為中心的方法采用智能主體理論，用多主體系統(tǒng)對敘事中的人物進(jìn)行建模，為了滿足主體自治的要求，每個(gè)敘事人物都從行為和心智(如情緒、信念、目標(biāo))等角度進(jìn)行刻畫。主體在虛擬的敘事世界中，為了達(dá)到某些設(shè)定的目標(biāo)，會(huì)對身處的環(huán)境做出反應(yīng)，并與其他主體進(jìn)行交互，所有主體的行為結(jié)合在一起構(gòu)成了敘事。其代表工作是英國蒂賽德大學(xué)IVE實(shí)驗(yàn)室的Cavazza領(lǐng)導(dǎo)開發(fā)的Interactive Storytelling系統(tǒng)[5, 19-20]，該系統(tǒng)以HTN(Hierarchical Task Network，層次式任務(wù)網(wǎng)絡(luò))規(guī)劃方法為基礎(chǔ)，通過人物的自主交互產(chǎn)生故事，并且可以將故事內(nèi)容用動(dòng)畫形式直接表現(xiàn)出來。IS 的原型系統(tǒng)中，根據(jù)美國電視劇Friends(《六人行》)中“Ross 請Rachel 出去吃飯”這段內(nèi)容定義了故事主線，并包含四個(gè)故事人物Ross、Rachel、Phoebe和Monica，每個(gè)故事人物的行為規(guī)劃都事先用與或圖的方法定義為HTN的形式，敘事的生成過程就是在與或圖上選擇一條能使人物目標(biāo)實(shí)現(xiàn)的路徑，并且用戶可以在此過程中隨時(shí)和系統(tǒng)進(jìn)行交互，從而影響敘事的發(fā)展。

雖然利用HTN能有效地對敘事生成進(jìn)行建模，但是也存在著一些不足。首先敘事中各人物的行為都是按照HTN事先分解好的，HTN的葉子節(jié)點(diǎn)，是敘事中人物可以執(zhí)行的原子動(dòng)作，這使得產(chǎn)生的敘事往往比較機(jī)械，敘事內(nèi)容的可變性不強(qiáng)。其次，在敘事生成過程中，一個(gè)動(dòng)作一旦執(zhí)行失敗，就需要回溯到覆蓋該動(dòng)作的子任務(wù)，這可能導(dǎo)致整個(gè)敘事的重新規(guī)劃。為了彌補(bǔ)HTN方法在敘事生成中的不足，Pizzi、Charles等人使用HSP(Heuristic Search Planning，啟發(fā)式搜索規(guī)劃)方法對敘事生成進(jìn)行建模，并開發(fā)了EmoEmma系統(tǒng)[21]，該系統(tǒng)使用HSP對每個(gè)角色要執(zhí)行的動(dòng)作和情緒進(jìn)行規(guī)劃。HSP方法的主要思想是將規(guī)劃問題轉(zhuǎn)化為狀態(tài)空間上的路徑搜索問題，同時(shí)設(shè)計(jì)啟發(fā)式函數(shù)引導(dǎo)搜索，從初始狀態(tài)到目標(biāo)狀態(tài)的路徑對應(yīng)于一條規(guī)劃解。與HTN方法相比，利用HSP方法建模敘事支持更大的靈活性和更加多變的敘事情節(jié)[22]。

以作者為中心的方法把創(chuàng)作者看成是一個(gè)對敘事世界全知的主體，創(chuàng)作者能夠根據(jù)當(dāng)前敘事世界的狀態(tài)決定人物的動(dòng)作，從而從全局的角度規(guī)劃出滿足創(chuàng)作者目標(biāo)的敘事。此類工作的代表是北卡羅來納大學(xué)Young教授領(lǐng)導(dǎo)的Liquid敘事小組開發(fā)的基于POCL(Partial Order Causal Link，偏序因果鏈)規(guī)劃算法的Fabulist敘事系統(tǒng)。POCL是一種區(qū)別于TOP(Total Order Planning，全序規(guī)劃)的POP(Partial Order Planning，偏序規(guī)劃)算法，其最大的特點(diǎn)是不要求規(guī)劃中的所有事件都是有順序約束的。為了使敘事中人物具有可信性，同時(shí)保證情節(jié)的一致性，Riedl和Young在POCL算法基礎(chǔ)上提出了一種意圖驅(qū)動(dòng)的偏序因果規(guī)劃器(IPOCL Planner)，除了滿足情節(jié)發(fā)展的因果一致性外，能夠根據(jù)敘事人物的目標(biāo)對人物的意圖進(jìn)行推理，并通過人物動(dòng)作和規(guī)劃結(jié)構(gòu)來解釋敘事人物是如何實(shí)現(xiàn)其目標(biāo)的[7, 23-24]。在IPOCL算法的基礎(chǔ)上，Ware研究了敘事沖突的可計(jì)算模型，給出了敘事沖突的形式化定義，并將敘事沖突抽象為各個(gè)主體為實(shí)現(xiàn)其目標(biāo)而進(jìn)行的不同規(guī)劃之間的沖突，提出了一種支持?jǐn)⑹聸_突生成的規(guī)劃算法CPOCL[25]。此外，為了使生成的敘事具有懸念等戲劇性效果，Cheong在POCL規(guī)劃器所產(chǎn)生的事件序列基礎(chǔ)上，引入讀者懸念模型，從而產(chǎn)生帶有懸念情節(jié)的敘事[26]。雖然基于POP敘事生成方法能夠有效的對敘事進(jìn)行建模，但是也存在著一些不足，由于POP是一種逐步求精(Refinement)并且遵循最小承諾(Least Commitment)的規(guī)劃方法[27]，這使得在敘事生成過程中，一直到規(guī)劃結(jié)束前，每一個(gè)步驟執(zhí)行前后的世界狀態(tài)都是未知的，這一不足使得我們無法利用敘事世界的狀態(tài)信息來控制敘事的生成，從而限制了該方法在規(guī)劃過程中產(chǎn)生具有特定戲劇效果的敘事。

總的來說，基于規(guī)劃的方法已經(jīng)被實(shí)踐證明是一種有效的敘事生成方法，它不僅可以使生成的敘事具有較好的連貫性，而且可以將用于生成敘事的素材與生成控制的算法相分離，具有較好的靈活性。但是該方法也存在著一些局限性，如過于依賴初始狀態(tài)和目標(biāo)狀態(tài)的定義，可能因?yàn)闋顟B(tài)的定義而導(dǎo)致規(guī)劃無法進(jìn)行或產(chǎn)生無法理解的敘事結(jié)果。此外，現(xiàn)有的用于敘事生成的規(guī)劃方法，如POP、HSP等都是一種領(lǐng)域無關(guān)的規(guī)劃方法，在敘事規(guī)劃過程中沒有考慮與敘事領(lǐng)域相關(guān)的知識(shí)，這就導(dǎo)致了生成的敘事雖然也能保證情節(jié)的邏輯一致性和人物可信性，但是對于生成更加復(fù)雜和滿足人類認(rèn)知和理解的敘事，則顯得能力不足。

4 基于常識(shí)和知識(shí)本體的敘事生成方法

在日常生活中，人們經(jīng)常以講故事的形式來共享生活體驗(yàn)和各類信息，在這一交互過程中，我們并不需要做太多思考就能夠理解對方所分享的信息，這是因?yàn)槲覀儞碛辛舜罅筷P(guān)于事物、概念及其相互關(guān)系的常識(shí)。因此，要讓機(jī)器具有與人類相同的表達(dá)和理解能力，機(jī)器也應(yīng)當(dāng)包含與人類同樣多的關(guān)于世界中各類概念與關(guān)系的知識(shí)和常識(shí)。目前比較通用的常識(shí)知識(shí)本體系統(tǒng)主要有Open Mind[28]、Cyc[29]以及SUMO[30]等，此外Open Mind還提供了概念語義網(wǎng)絡(luò)ConceptNet Toolkit供常識(shí)研究者使用[31]?；诔ＷR(shí)和知識(shí)本體的敘事生成方法，其主要思想是利用已有的常識(shí)和知識(shí)本體表示敘事世界中的基本概念，包括作者目標(biāo)、人物目標(biāo)、人物情緒、對象、空間、事件、動(dòng)作等，然后利用概念之間的語義關(guān)系，結(jié)合情節(jié)規(guī)劃和語言生成，自動(dòng)產(chǎn)生符合邏輯、滿足認(rèn)知的敘事。

MakeBelieve[32]是麻省理工學(xué)院媒體實(shí)驗(yàn)室Liu等人研究的基于Open Mind常識(shí)庫的故事生成系統(tǒng)，該系統(tǒng)從OMCS(Open Mind Common Scene)知識(shí)庫中抽取出9 000條描述因果關(guān)系的句子，然后利用常識(shí)知識(shí)將這些句子統(tǒng)一轉(zhuǎn)換為動(dòng)詞—對象的形式，并通過邏輯推理產(chǎn)生敘事的事件序列，再通過啟發(fā)式函數(shù)，根據(jù)動(dòng)詞、對象和方式，對不同的事件進(jìn)行語義相似性的模糊匹配，最終從用戶提供的種子語句生成5至20行的故事。在此基礎(chǔ)上，Hong 等人設(shè)計(jì)了一個(gè)用于產(chǎn)生兒童故事的生成系統(tǒng)Picture Books，該系統(tǒng)利用ConceptNet來建模與兒童日常生活主題相關(guān)的概念，如故事背景、角色、物體、動(dòng)作、事件等，然后根據(jù)用戶輸入的圖片，按照概念之間的語義關(guān)系，自動(dòng)生成供4～6歲兒童閱讀的，具有一定教育意義的兒童故事[33-34]。Cua等人則使用SUMO本體表示敘事中的知識(shí)，利用Sigma推理引擎查詢故事中可能發(fā)生的動(dòng)作或事件，并使用規(guī)劃器產(chǎn)生敘事[30]，圖3為基于SUMO的敘事生成系統(tǒng)架構(gòu)。為了更好地規(guī)范和明確敘事生成中的知識(shí)，Swartjes從本體的角度提出了一個(gè)分層的故事世界本體，包括上層故事世界本體和領(lǐng)域相關(guān)世界本體[35]。其中上層故事世界本體是獨(dú)立于任何的故事結(jié)構(gòu)或故事領(lǐng)域的，該層本體構(gòu)建了大量的動(dòng)作或事件，領(lǐng)域世界本體則將上層本體映射到具體的故事領(lǐng)域[34]。此外，為了實(shí)現(xiàn)敘事的多樣性，中科院計(jì)算所王海濤博士研究了敘事知識(shí)庫[14]，該知識(shí)庫是由多類常識(shí)庫構(gòu)成，主要包括目標(biāo)分解常識(shí)知識(shí)庫、行為常識(shí)知識(shí)庫、情緒常識(shí)知識(shí)庫等。其中目標(biāo)分解常識(shí)知識(shí)庫描述了一個(gè)初始目標(biāo)是如何分解為一組子目標(biāo)，并如何通過分別實(shí)現(xiàn)子目標(biāo)，最終完成初始目標(biāo)的過程。行為常識(shí)知識(shí)庫是用來描述不同角色的主體在不同的條件下通過何種行為實(shí)現(xiàn)各自的目標(biāo)，以及在行為實(shí)現(xiàn)之后，會(huì)對環(huán)境以及旁觀者造成何種物理及認(rèn)知影響。情緒常識(shí)知識(shí)庫以O(shè)CC情緒模型為基礎(chǔ)，給敘事人物增加了情緒產(chǎn)生和情緒表現(xiàn)兩種知識(shí)，從而使敘事人物更加真實(shí)可信。

圖3 基于SUMO的敘事生成系統(tǒng)架構(gòu)

基于常識(shí)和知識(shí)本體的方法很好地將各類知識(shí)應(yīng)用到敘事生成中，但從目前已有的工作來看，該方法只適合生成較短的敘事，并且組成敘事的語句簡單，敘事內(nèi)容比較平淡。其次所生成的敘事雖然能夠保證邏輯上的一致性，但在內(nèi)容的趣味性和情節(jié)的戲劇性等問題上還需要做很多的工作。

5 基于故事文法的敘事生成方法

故事文法是一種從結(jié)構(gòu)上對敘事進(jìn)行建模的方法，該方法來源于早期的對形式主義敘事學(xué)的研究。Propp于1928年出版的《民間故事形態(tài)學(xué)》對俄國民間故事進(jìn)行了總結(jié)，他認(rèn)為在俄國民間故事中，人物的行為是不變的，稱為“功能”。角色的功能可細(xì)分為31種，這些功能是按一定的順序排列下來的，角色共有七個(gè)：反面角色、協(xié)助者、救援者、公主和她的父親、送信人、英雄、假英雄。1973年，Colby提出了愛斯基摩民間故事的形式化文法，是最早使用形式化文法來描述語言學(xué)現(xiàn)象的研究者?；诠适挛姆ǖ臄⑹律煞椒ǎ渲饕枷胧抢霉适挛姆ㄒ?guī)則來表示敘事中的組成元素，如故事設(shè)定、場面、人物、動(dòng)作、事件等，同時(shí)結(jié)合故事文法的結(jié)構(gòu)信息產(chǎn)生滿足文法產(chǎn)生式規(guī)則的敘事。

1975年，Rumelhart首次提出了一種用于故事生成的上下文無關(guān)文法，該文法包含兩套規(guī)則集，一是句法重寫規(guī)則，負(fù)責(zé)產(chǎn)生故事的句法結(jié)構(gòu)，另一套是語義解釋規(guī)則，用于產(chǎn)生故事的語義結(jié)構(gòu)，其部分規(guī)則集包括：

r1: story → setting + episode

r1′: allow (setting, episode)

r2: setting → (state)*

r2′: and (state, state, state, ...)

r3: episode → event + reaction

r3′: initiate (event, reaction)

其中r1表示故事是由設(shè)定加上場面組成的，r2表示設(shè)定由狀態(tài)組成，r3表示場面由事件和反應(yīng)組成[36]。

在此基礎(chǔ)上，Lang提出了一種用于簡單敘事的形式化模型，如圖4所示，該模型采用確定子句文法(definite clause grammar)，其中非終結(jié)符表示設(shè)定、場面、結(jié)果等，終結(jié)符是一階謂詞公式，表示事件、狀態(tài)、目標(biāo)、信念等。在此基礎(chǔ)上， Lang使用

圖4 故事文法模型

SWI-Prolog實(shí)現(xiàn)了一個(gè)簡單敘事生成系統(tǒng)Joseph，該系統(tǒng)包括世界模型、時(shí)序謂詞、故事文法、文法解析器、自然語言輸出單元等多個(gè)模塊[37]。

利用故事文法所產(chǎn)生的敘事一般比較簡單，內(nèi)容也比較固定，雖然直接利用故事文法產(chǎn)生敘事的系統(tǒng)不多，但是對故事文法的研究有利于我們更好的認(rèn)識(shí)敘事的結(jié)構(gòu)和本質(zhì)。除了以上介紹的這些敘事生成方法外，Pablo等人提出了基于案例推理(Cased-Based Reasoning)方法的敘事生成[38]。Zhu和Ontanon提出了基于類比推理(Analogy-Based Reasoning)方法的敘事生成，并開發(fā)了相關(guān)的系統(tǒng)原型Riu[39]。

6 敘事生成方法的比較

為了對前面介紹的敘事生成方法有更加全面的認(rèn)識(shí)，這里從處理對象、對象粒度，方法的通用性，所產(chǎn)生敘事的可讀性、一致性、可信性、復(fù)雜性和可變性等方面對三種敘事生成方法進(jìn)行橫向的比較與分析，其結(jié)果如表1所示。

表1 三種敘事生成方法的比較

從表1 可以看出，基于智能規(guī)劃的方法主要以事件作為處理對象，對象粒度適中。從理論上講，該方法可以產(chǎn)生各種敘事，但由于要事先定義敘事的初始狀態(tài)、目標(biāo)狀態(tài)以及動(dòng)作的前提后果，這就使得在實(shí)際使用時(shí)，所產(chǎn)生的敘事有一定的限制，與其他方法相比，基于智能規(guī)劃的方法所產(chǎn)生的敘事能保證較好的邏輯一致性，通過對規(guī)劃方法進(jìn)行各種擴(kuò)展，也能夠保持一定的人物可信性、情節(jié)復(fù)雜性以及可變性等，是目前研究者們最為關(guān)注也是敘事生成系統(tǒng)中普遍使用的方法?；诔ＷR(shí)與知識(shí)本體的方法主要以概念和語義關(guān)系作為處理對象，對象粒度細(xì)。從理論上講，該方法只要有了關(guān)于敘事世界中各類概念和關(guān)系的常識(shí)知識(shí)，就可以產(chǎn)生各種類型的敘事，而且由于各類概念之間都嚴(yán)格按照一定的語義關(guān)系進(jìn)行連接，所以也能保持較好的邏輯一致性，但是由于沒有一種情節(jié)自動(dòng)擴(kuò)展的機(jī)制以及常識(shí)推理自身的復(fù)雜性，因此所產(chǎn)生的敘事通常都簡單短小，復(fù)雜程度不高。雖然在此方法基礎(chǔ)上也開發(fā)出了一些敘事生成系統(tǒng)，但是普遍比較簡單，產(chǎn)生的故事通常適合兒童讀者。基于故事文法的方法以敘事結(jié)構(gòu)中的元素作為處理對象，對象粒度粗。由于敘事結(jié)構(gòu)是事先定義好的，在敘事生成過程中不能改變，這使得方法的通用性和所產(chǎn)生敘事的可變性都比較差。

以上是我們對現(xiàn)有敘事生成方法的歸納和總結(jié)，在實(shí)際開發(fā)敘事生成系統(tǒng)時(shí)，并不是絕對的使用其中的一種方法，而是根據(jù)各種方法的優(yōu)缺點(diǎn)，有所側(cè)重地采用其中的一種或多種方法來生成敘事。

7 結(jié)論

敘事生成經(jīng)過三十多年的發(fā)展，雖然已經(jīng)開發(fā)了不少敘事生成系統(tǒng)，但仍然存在著一些問題，影響著敘事生成技術(shù)在實(shí)際中的應(yīng)用。

(1) 現(xiàn)有的敘事生成方法側(cè)重于對敘事本身的研究，強(qiáng)調(diào)邏輯上的一致性和人物的可信性，但卻忽視了兩個(gè)重要的因素：作者的創(chuàng)作意圖和敘事面向的受眾，所產(chǎn)生的敘事通常局限于某一特定類型或領(lǐng)域，情節(jié)簡單，內(nèi)容機(jī)械，敘事的可讀性不強(qiáng)。

(2) 現(xiàn)有的敘事生成系統(tǒng)大多采用自己設(shè)計(jì)的評價(jià)方法，評價(jià)手段比較單一，評價(jià)指標(biāo)也不夠完善，主觀性較強(qiáng)，由于不同系統(tǒng)所生成的敘事類型不同，敘事之間很難進(jìn)行直接、客觀的比較。

(3) 從敘事的呈現(xiàn)方式和交互手段來看，雖然目前有一部分?jǐn)⑹律上到y(tǒng)已經(jīng)可以把故事內(nèi)容通過動(dòng)畫的形式呈現(xiàn)給觀眾，并可以在動(dòng)畫播放過程中和用戶進(jìn)行簡單的交互，但是動(dòng)畫形式比較簡單，動(dòng)畫內(nèi)容需要事先根據(jù)故事情節(jié)手工定義，交互手段也比較單一。

針對以上這些問題，進(jìn)一步的研究工作可以圍繞以下幾個(gè)方面：

(1) 針對目前敘事生成方法在建模方面的不足，對敘事生成方法進(jìn)行擴(kuò)展，將作者創(chuàng)作意圖和受眾認(rèn)知引入敘事建模中，在滿足邏輯一致性和人物可信性的前提下，更加關(guān)注敘事情節(jié)的戲劇性效果，如沖突、懸念、驚奇、幽默、恐怖等，以及敘事情節(jié)的表現(xiàn)手段，如采用多角色內(nèi)部聚焦[40]的敘述方法，使生成的情節(jié)更加曲折、多變。在合成情節(jié)到敘事內(nèi)容時(shí)，更多關(guān)注敘事內(nèi)容的篇章結(jié)構(gòu)，如采用修辭結(jié)構(gòu)理論等方法，使敘事內(nèi)容連貫和易于理解。此外，也可以考慮使用隱喻等修辭手段，使敘事內(nèi)容更加形象和生動(dòng)。

(2) 敘事結(jié)果的評價(jià)不同于一般的算法評價(jià)，不能簡單地以算法復(fù)雜度以及結(jié)果正誤為評價(jià)標(biāo)準(zhǔn)。在設(shè)計(jì)評價(jià)指標(biāo)時(shí)，應(yīng)當(dāng)盡可能客觀地考慮敘事的各個(gè)層面，使得這些評價(jià)指標(biāo)更加全面和科學(xué)，并反過來利用這些指標(biāo)指導(dǎo)敘事的生成。此外，嘗試建立敘事的可共享資源庫和語料庫[41]，使不同的敘事生成系統(tǒng)在相同的資源庫下面產(chǎn)生敘事，從而實(shí)現(xiàn)統(tǒng)一的評價(jià)。

(3) 針對敘事呈現(xiàn)方式不足，研究敘事與漫畫、動(dòng)畫、游戲、影視、訓(xùn)練仿真等多種具體應(yīng)用的接口，通過對敘事文本的解析和處理，結(jié)合計(jì)算機(jī)圖像圖形學(xué)中的先進(jìn)技術(shù)，構(gòu)建敘事到多種媒體表現(xiàn)的自動(dòng)轉(zhuǎn)換和生成方法。針對交互手段的不足，在敘事生成過程中可以利用虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)、計(jì)算機(jī)視覺等領(lǐng)域的研究成果，建立更加靈活的人機(jī)交互手段，使敘事的呈現(xiàn)更加自然、更加符合受眾的認(rèn)知需要和習(xí)慣，從而使得敘事生成技術(shù)能夠更好地為生活?yuàn)蕵贰⒔逃嘤?xùn)、訓(xùn)練仿真等具體應(yīng)用服務(wù)。

[1] Schank R C & Abelson R P. Scripts, Plans, Goals and Understanding: An Inquiry into Human Knowledge Structures[M]. Hillsdale, NJ: Lawrence Erlbaum Associates.1977.

[2] Meehan J R. The Metanovel: Writing Stories by Computer [D]. Yale University, 1976.

[3] Davis M & Travers M. A Brief Overview of the Narrative Intelligence Reading Group. Narrative Intelligence[M]. The Netherlands: John Benjamins B.V., 2003.

[4] Mateas M & Stern A. Towards Integrating Plot and Character for Interactive Drama. In Proceeding of Socially Intelligent Agents: The Human in the Loop[C]//AAAI Fall Symposium Technical Report FS-00-04, AAAI Press, 113-118, 2000.

[5] Cavazza M, Charles F， Mead S J. Character-based Interactive Storytelling [J]. IEEE Intelligent Systems. 2002, special issue on AI in Interactive Entertainment： 17-24.

[6] Mateas M & Stern A. Fa?ade: An Experiment in Building a Fully-Realized Interactive Drama [C]//Game Developers Conference, 2003.

[7] Riedl M O. Narrative Generation: Balancing Plot and Character [D]. North Carolina State University, 2004.

[8] 北京大學(xué)計(jì)算語言研究所.古代詩詞計(jì)算機(jī)輔助研究系統(tǒng)[DB/OL]. http://icl.pku.edu.cn.

[9] 蘇勁松，周昌樂，李翼鴻. 基于統(tǒng)計(jì)抽詞和格律的全宋詞切分語料庫建立[J]. 中文信息學(xué)報(bào)，2007， 21(2)：52-57.

[10] 何晶，周明，蔣龍. 基于統(tǒng)計(jì)的漢語格律詩生成研究[J]. 中文信息學(xué)報(bào)，2010, 24(2)：96-103.

[11] R Lu, S Zhang. Automatic Generation of Computer Animation: Using AI for Movie Animation[M]. Berlin, Heidelberg: Springer-Verlag, 2002.

[12] 曹存根,等. 智能動(dòng)畫創(chuàng)作系統(tǒng)PNAI的研究進(jìn)展[J]. 系統(tǒng)科學(xué)與數(shù)學(xué), 2008, 28(11): 1407-1431.

[13] 王海濤，岳小莉. 敘事與動(dòng)畫自動(dòng)生成技術(shù)研究[J]. 信息技術(shù)快報(bào), 2006, 4(5).

[14] 王海濤. 文本知識(shí)處理方法及智能敘事生成應(yīng)用研究[D]. 中國科學(xué)院計(jì)算技術(shù)研究所, 2008.

[15] 吳華，黃泰翼. 問答篇章生成系統(tǒng)中的用戶模型和文本規(guī)劃[J]. 中文信息學(xué)報(bào)，2001， 15(4)：28-34.

[16] F Zhu, C Cao. Towards an Author Intention Based Computational Model of Story Generation [C]//The 7th International Conference on Intelligent Information Processing, IIP2012.

[17] Fikes R, Nilsson N. STRIPS: A New Approach to the Application of Theorem Proving to Problem Solving[J]. Artificial Intelligence. 1971, 2: 189-208.

[18] Mateas M, Sengers P. Narrative Intelligence[C]//AAAI Fall Symposium on Narrative Intelligence, North Falmouth, MA, USA., 1999: 1-10.

[19] Cavazza M, Martin O, et al. Multi-modal Acting in Mixed Reality Interactive Storytelling[J]. IEEE Multimedia, 2004, 11(3): 30-39.

[20] Charles F, Cavazza M. Exploring the scalability of character-based storytelling[C]//The 3rd International Joint Conference on Autonomous Agents and Multi-Agent Systems, AAMAS 2004: 872-879.

[21] Pizzi D. Emotional Planning for Character-based Interactive Storytelling[D]. Teesside University, 2011.

[22] Bonet B, Geffner H. Planning as heuristic search[J]. Artificial Intelligence, 2001: 5-33.

[23] Riedl M O. An Intent-Driven Planner for Multi-Agent Story Generation[C]//Proceedings of the 3rd International Conference on Autonomous Agents and Multi Agents Systems, AAMAS, 2004.

[24] Riedl M O, Young R M. Narrative Planning: Balancing Plot and Character[J], Journal of Artificial Intelligence Research, Volume 39: 217-268, 2010.

[25] Ware S G, Young R M. Modeling Narrative Conflict to Generate Interesting Stories[C]//Artificial Intelligence in Interactive Digital Entertainment, 2010.

[26] Yun G C. A Computational Model of Narrative Generation for Suspense[D]. North Carolina, 2004.

[27] Weld, D. An introduction to least commitment planning[J]. AI Magazine, 1994, 15: 27-61.

[28] Singh P Lim, G. et al. Open Mind Common Sense: Knowledge Acquisition from the General Public[C]//Confederated International Conferences DOA, CoopIS and ODBASE，2002, 1223-1237.

[29] Matuszek C, Cabral J. An Introduction to the Syntax and Content of Cyc[C]//Proceedings of the 2006 AAAI Spring Symposium on Formalizing and Compiling Background Knowledge and Its Applications to Knowledge Representation and Question Answering, Stanford, CA, 2006.

[30] Cua J Manurung R, Ong, E.. Representing Story Plans in SUMO[C]//Proceedings of NAACL-HLT Workshop on Computational Approaches to Linguistic Creativity, Los Angeles, California: Association for Computational Linguistics, 2010, 40-48.

[31] Liu H, Singh P. ConceptNet—A Practical Commonsense Reasoning Tool-Kit[J]. BT Technology Journal, 2004, 22(4): 211-226.

[32] Liu H, Singh P. MakeBelieve: Using Commonsense Knowledge to Generate Stories[C]//Proceedings of 18th National Conference on AI, 2002, 957-958.

[33] Hong A J. Siy, J T Solis, C.J. Picture Books: An Automated Story Generator[C]//Proceedings of the 5th National Natural Language Processing Research Symposium, 2008.

[34] Ethel Chua, Joy Ong. A Commonsense Knowledge Base for Generating Children’s Stories[C]//AAAI Fall Symposium, 2010.

[35] Swartjes I. The Plot Thickens: Bringing Structure and Meaning into Automated Story Generation[D]. The Netherlands: University of Twente, 2006.

[36] Mark G Lee. A Model of Story Generation[D]. University of Manchester, 1994.

[37] Raymond L R. Story grammars return of a theory. Narrative Intelligence[M], 2003.

[38] Gervás P, Díaz-Agudo B, Peinado F. Story Plot Generation Based on CBR[J]. Journal of Knowledge-Based Systems, 2006, 18(4-5): 235-242.

[39] Ontanon S, Zhu J. On the Role of Domain Knowledge in Analogy-Based Story Generation[C]//Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence, 2011.

[40] Bae B-C.et al., Automated story generation with multiple internal focalization[C]//Computational Intelligence and Games，2011, 211-218.

[41] Finlayson M A. Computational Models of Narrative: Review of the Workshop[J]. Journal of AI Magazine. 2010, 31(2).