电影脚本因其非线性和交叉剪辑的叙事结构，给自动摘要带来了根本性挑战。传统的基于表面显著性的方法难以保留核心故事进展，因为它们无法区分推动故事发展的关键事件与仅用于渲染气氛的卫星事件。针对这一问题，研究团队提出了S^2tory（故事脊蒸馏）框架，这是一个基于叙事学理论的方法，通过分析角色发展轨迹来识别情节核心，即那些推动故事前进的关键事件，同时过滤掉外围的卫星事件。
该框架的核心是叙述专家智能体（NEAgent），它执行理论约束推理，并将蒸馏得到的知识用于训练一个小型模型，使其能够准确识别情节核心。随后，另一个模型利用这些情节核心生成摘要。实验在MovieSum数据集上进行，结果表明，在约3.5倍压缩比下，S^2tory达到了最先进的语义保真度。此外，在BookSum数据集上的零样本评估证实了其强大的跨领域泛化能力。人工评估进一步验证了叙事学理论为建模复杂非线性叙事提供了不可或缺的基础。
S^2tory的提出为自动摘要领域开辟了新方向，尤其适用于电影、戏剧等具有复杂叙事结构的文本。未来，该框架有望扩展到其他多媒体内容如电视剧或交互式故事的摘要生成中，为自然语言处理技术在创意产业中的应用提供新的可能性。研究团队由多位学者组成，论文发表于arXiv，编号2605.03244。