Отправить статью по E-mail Автоматизированная реконструкция социальных ролей литературных персонажей с использованием графовых нейросетей: многоязычный корпусный подход
- Авторы: Драгомиров Д.С1
-
Учреждения:
- Санкт-Петербургский государственный университет
- Выпуск: № 8 (2025)
- Страницы: 129-136
- Раздел: Статьи
- URL: https://journal-vniispk.ru/2541-8459/article/view/371256
- ID: 371256
Цитировать
Аннотация
разработан подход к количественной реконструкции социальных ролей персонажей в литературных произведениях на основе графовых нейросетей. Сформирован многоязычный корпус (~40 произведений) классической прозы на русском, китайском, японском и корейском языках. Автоматическая обработка включает извлечение графа персонажей и применение Graph Neural Networks (GCN, GAT) для классификации ролей. Интеграция с большой языковой моделью в схеме GraphRAG обеспечивает интерпретацию результатов. Графовая модель правильно идентифицирует центральных персонажей с точностью 92%. Выявлены кросс-культурные различия: русские романы демонстрируют централизованные сети вокруг главного героя, восточноазиатские тексты – более распределенные структуры. Анализ речевых форм показал корреляцию между статусом персонажа и использованием honorific-форм (?, ?, «Вы»). Подход применим для цифровой герменевтики, образовательных приложений и издательской аналитики. Впервые выполнен кросс-культурный количественный анализ литературных сетей с помощью GNN.
Список литературы
- Pang N., Sun M., Zhu H. Louise or Ferdinand? Exploring the protagonists of Love and Intrigue using social network analysis // Digital Scholarship in the Humanities. 2023. Vol. 38. № 3. P. 1214 – 1232. doi: 10.1093/llc/fqad007
- Eberle O., Gleave J., Schroeder C. et al. Historical insights at scale: a corpus-wide machine-learning analysis of early-modern astronomic tables // Science Advances. 2024. Vol. 10. № 43. Art. eadj1719. P. 1 – 16. doi: 10.1126/sciadv.adj1719
- Dadlani A., Yu M., Roberts S. et al. Leading by the nodes: a survey of film-industry network analysis and datasets // Applied Network Science. 2024. Vol. 9. Art. 76. P. 1 – 23. doi: 10.1007/s41109-024-00673-9
- Yang X., Zhang Z. Enhancing book genre classification with BERT and InceptionV3: a deep-learning approach for libraries // PeerJ Computer Science. 2025. Vol. 11. Art. e2934. P. 1-20. doi: 10.7717/peerj-cs.2934
- Schmidt D., Puppe F. Automatic extraction and visualization of interaction networks for German fairy tales // Machine Learning and Knowledge Extraction. 2024. Vol. 6. № 4. P. 2447 – 2493. doi: 10.3390/make6040121
- Sugishita K., Masuda N. Social network analysis of manga: similarities to real-world social networks and trends over decades // Applied Network Science. 2023. Vol. 8. Art. 79. P. 1 – 17. doi: 10.1007/s41109-023-00604-0
- Zhao W., Liu Y., Han J. A block-based adaptive decoupling framework for graph neural networks // Entropy. 2024. Vol. 24. № 9. Art. 1190. P. 1 – 22. doi: 10.3390/e24091190
- Zhang C., Wang S., Zhan D. et al. Inferring users’ social roles with a multi-level graph neural network model // Entropy. 2021. Vol. 23. № 11. Art. 1453, P. 1 – 20. doi: 10.3390/e23111453
- Mitheran S., Java A., Sahu S. K., Shaikh A. Introducing self-attention to target-attentive graph neural networks // arXiv preprint arXiv:2107.01516. 2021. P. 1 – 4.
- Fatemi B., Halcrow J., Perozzi B. et al. From local to global: a Graph-RAG approach to query-focused summarization // arXiv preprint arXiv:2404.16130. 2025. P. 1 – 26.
- Jou E. Honorification as Agree in Korean and beyond // Glossa: Journal of General Linguistics. 2024. Vol. 9. № 1. P. 1 – 29. doi: 10.16995/glossa.9565.
- Knollmeyer S., Caymazer O., Grossmann D. Document Graph-RAG: knowledge-graph-enhanced retrieval-augmented generation for document QA within the manufacturing domain // Electronics. 2025. Vol. 14. № 11. Art. 2102, P. 1 – 19. doi: 10.3390/electronics14112102
- Gupta S., Sharma R., Masuda N. Influence maximization on temporal networks: a review // Applied Network Science. 2024. Vol. 9, Art. 16 (= 65). P. 1 – 25. doi: 10.1007/s41109-024-00625-3
Дополнительные файлы
