论文信息
论文标题： Guiding Generative Storytelling with Knowledge Graphs - International Journal of Human--Computer Interaction 2025
论文作者： Zhijun Pan et al. - University of the Arts London
论文链接： https://www.tandfonline.com/doi/full/10.1080/10447318.2025.2603634#abstract
研究背景
虽然 LLM（如 GPT-4、Llama）在自动化故事生成方面潜力巨大，但仍面临两大挑战：
- 长篇连贯性不足：随着故事篇幅增长，模型容易出现事实幻觉、逻辑矛盾（如地理位置错误、角色行为前后不一） 。
- 用户控制力有限：用户难以通过直观方式精确干预故事走向，通常需要复杂的提示词工程（Prompt Engineering） 。
核心贡献
论文提出了一种KG辅助的故事生成流水线，其核心是将非结构化的叙事逻辑转化为结构化的知识条目（节点、关系、描述） 。
系统架构（Pipeline）主要分为三个阶段：
- 初始化（Initialization）： 根据用户输入的标题、背景和角色，提取并清洗初始知识图谱 。
- 场景生成（Scene Generation）： 在生成第 i i i 个场景时，系统只查询与当前情节相关的 KG 子集，以减少 Token 消耗并增强聚焦度 。
- 动态更新与编辑（Update & Edit）： 每生成一个新场景，系统会自动更新图谱中的节点属性和关系 。
- 同时，系统支持"编辑模式"，允许用户手动修改图谱，从而即时改写后续情节 。
实验设计
- 参与者： 15 位具有高等教育或 AI 叙事背景的专业人士 。
- 实验设置：
- 阶段 1（编辑器关闭）： 对比评估有无 KG 辅助生成的两篇故事（盲测），探究其对叙事质量的影响（RQ1） 。
- 阶段 2（编辑器开启）： 用户通过编辑 KG 来控制故事发展，评估其对创作自主权的影响（RQ2） 。
- 模型： 为了便于消融研究和透明度分析，实验采用了 Llama 3.1 8B 这种轻量化开源模型，而非封闭的 GPT 模型 。
研究发现
- RQ1：KG 对质量的提升
- 在全行业/全题材的统计中，KG 对故事质量的整体提升在统计学上并不总是显著 。
- 但关键点在于： 在**动作导向（Action-oriented）**或逻辑严密的叙事（如结构化较强的类型片）中，KG 显著改善了事实一致性和情节逻辑 。
- RQ2：用户控制与互动性
- 编辑模式大幅增加了用户的"控制感"和"创作主体意识" 。
- 用户普遍认为通过结构化图谱修改故事比调整提示词更直观、更有趣，增加了创作过程中的"游戏化"体验 。
总结
- 这篇论文通过将 RAG（检索增强生成） 的理念引入创意写作，证明了结构化知识在弥补模型"长程记忆"缺陷方面的有效性 。
- 查询 kg 的范围限制在当前的 章节是否是最佳的，如何回溯过去的内容？
- 如何评估生成的内容的质量，与现实文本的区别。
- 是否有真实的demo？