Story Ribbons: Reimagining Storyline Visualizations with Large Language Models

一、文章主要内容总结

（一）研究背景与问题

文学分析中，追踪角色、场景、主题间的互动关系至关重要，但从非结构化文本中提取这些结构化信息存在巨大挑战。传统故事情节可视化技术依赖人工处理文本（如标注场景、角色），耗时且效率低，尤其对于缺乏明确元数据（如场景划分、角色标签）的小说而言难度更高。同时，大型语言模型（LLMs）虽具备强大的文本处理能力，但存在输出不可预测、易“幻觉”等问题，如何合理利用其优势优化可视化工具成为关键。

（二）核心解决方案

1. LLM驱动的数据解析管道：构建自动化 pipeline，分“分解-聚合”两阶段处理文本。分解阶段将文本拆分为章节、场景，提取场景摘要、地点、冲突/重要性/情感评分及角色信息；聚合阶段生成章节、角色、地点摘要，并通过多轮“修正循环”（如检查引用真实性、合并重复角色/地点名称）降低LLM“幻觉”影响，最终输出结构化JSON数据。
2. STORY RIBBONS交互可视化系统：支持用户从多叙事层级探索文学作品，核心功能包括：
   • 丝带可视化：每条“丝带”代表一个角色/主题，X轴为章节/场景，Y轴可自定义（如地点、角色重要性、情感），丝带厚度体现角色在场景中的重要性。
   • 多视图切换：“故事概览”呈现整体结构，“细节叠加层”展示章节/场景的角色互动网络与文本原文，“设置侧边栏”支持自定义颜色编码（如按角色群体、情感）与可视化维度。
   • LLM交互模式：支持“按需解释”（查看LLM决策依据）、“自然语言维度”（如按“