テキストを超えた計画：複雑な物語生成のためのグラフベースの推論

arXiv:2604.21253v1 Announce Type: cross 摘要：大規模言語モデル（LLM）は物語生成における驚異的な流暢さを示していますが、既存の手法は全局的な物語の整合性、文脈的な論理的整合性、そして滑らかなキャラクター開発を維持することに苦慮しており、構造的な亀裂を持つ単調な劇脚本を生み出す傾向があります。この目的に当たり、本研究では構造的なグラフ表現に基づく物語計画を行うフレームワーク、PLOTTER を導入しました。従来の作品が直接的な直列的なテキスト表現を使用するのに対し、PLOTTER は事象グラフとキャラクターグラフ上で計画を実行します。厳格な論理制約の下でグラフのトポロジーの問題を診断し修復することにより、モデルは完全な文脈生成前に因果関係と物語の骨格を最適化します。実験は、PLOTTER が多様な物語シナリオにおける代表的な基準を著しく凌駕することを示しました。これらの発見は、構造的なグラフ表現（直接的なテキスト表現）に基づいて物語を計画することが、複雑な物語生成において LLM の長文脈推論を強化するために不可欠であることを検証します。

arXiv:2604.21253v1 Announce Type: cross Abstract: While LLMs demonstrate remarkable fluency in narrative generation, existing methods struggle to maintain global narrative coherence, contextual logical consistency, and smooth character development, often producing monotonous scripts with structural fractures. To this end, we introduce PLOTTER, a framework that performs narrative planning on structural graph representations instead of the direct sequential text representations used in existing work. Specifically, PLOTTER executes the Evaluate-Plan-Revise cycle on the event graph and character graph. By diagnosing and repairing issues of the graph topology under rigorous logical constraints, the model optimizes the causality and narrative skeleton before complete context generation. Experiments demonstrate that PLOTTER significantly outperforms representative baselines across diverse narrative scenarios. These findings verify that planning narratives on structural graph representations-rather than directly on text-is crucial to enhance the long context reasoning of LLMs in complex narrative generation.