S^2tory: 영화 시나리오 요약화를 위한 스토리 뼈대 추출

S^2tory: Story Spine Distillation for Movie Script Summarization

영화 시나리오는 비선형적이고 교차적인 서술 구조를 가지고 있어, 단순한 중요도 기반 요약 방법으로는 핵심 스토리 진행을 효과적으로 보존하기 어렵다는 근본적인 어려움을 안고 있습니다. 이러한 문제를 해결하기 위해, 우리는 서사학 이론에 기반한 프레임워크인 S^2tory (Story Spine Distillation)를 제안합니다. S^2tory는 등장인물의 발전 경로를 활용하여 플롯의 핵심 요소인 '핵심 사건'을 식별하고, 분위기나 감정을 풍부하게 하는 주변적인 사건들을 걸러냅니다. 우리의 Narrative Expert Agent (NEAgent)는 이론에 기반한 추론을 수행하며, 추출된 지식을 활용하여 작은 모델이 핵심 사건을 식별하도록 합니다. 또 다른 모델은 이 핵심 사건들을 사용하여 요약문을 생성합니다. MovieSum 데이터셋에 대한 실험 결과, S^2tory는 최고 수준의 의미 정확도를 약 3.5배의 압축률로 달성했으며, BookSum 데이터셋에 대한 제로샷 평가 결과, 강력한 일반화 성능을 보였습니다. 추가적으로, 인간 평가를 통해 서사학 이론이 복잡하고 비선형적인 서사를 모델링하는 데 필수적인 기반이 된다는 것을 확인했습니다.

Movie scripts pose a fundamental challenge for automatic summarization due to their non-linear, cross-cut narrative structure, which makes surface-level saliency methods ineffective at preserving core story progression. To address this, we introduce S^2tory (Story Spine Distillation), a narratology-grounded framework that leverages character development trajectories to identify plot nuclei, the essential events that drive the narrative forward, while filtering out peripheral satellite events that merely enrich atmosphere or emotion. Our Narrative Expert Agent (NEAgent) performs theory-constrained reasoning, whose distilled knowledge conditions a small model to identify plot nuclei. Another model then uses these plot nuclei to generate the summary. Experiments on the MovieSum dataset demonstrate state-of-the-art semantic fidelity at approximately 3.5x compression, and zero-shot evaluation on BookSum confirms strong out-of-domain generalization. Human evaluation further validates that narratological theory provides an indispensable foundation for modeling complex, non-linear narratives.