텍스트를 넘어선 계획: 복잡한 스토리 생성을 위한 그래프 기반 추론

Planning Beyond Text: Graph-based Reasoning for Complex Narrative Generation

대규모 언어 모델(LLM)은 스토리 생성에서 뛰어난 유창성을 보여주지만, 기존 방법은 전반적인 스토리 일관성, 문맥적 논리적 일관성, 그리고 자연스러운 캐릭터 발전을 유지하는 데 어려움을 겪으며, 종종 단조롭고 구조적인 결함이 있는 스크립트를 생성합니다. 이에, 우리는 기존 연구에서 사용되는 직접적인 순차적 텍스트 표현 대신, 구조적 그래프 표현을 기반으로 스토리 계획을 수행하는 프레임워크인 PLOTTER를 소개합니다. 구체적으로, PLOTTER는 이벤트 그래프와 캐릭터 그래프에 대해 평가-계획-수정 주기를 실행합니다. 모델은 엄격한 논리적 제약 조건 하에서 그래프 토폴로지의 문제를 진단하고 수정함으로써, 완전한 문맥 생성 전에 인과 관계와 스토리의 뼈대를 최적화합니다. 실험 결과, PLOTTER는 다양한 스토리 시나리오에서 대표적인 기본 모델보다 훨씬 뛰어난 성능을 보였습니다. 이러한 결과는 스토리 생성을 위한 구조적 그래프 표현을 기반으로 계획하는 것이 복잡한 스토리 생성에서 LLM의 장기 문맥 추론 능력을 향상시키는 데 매우 중요하다는 것을 입증합니다.

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.