Derivazione della Logica dei Personaggi dalla Trama come Alberi Decisionali Codificati

Deriving Character Logic from Storyline as Codified Decision Trees

January 15, 2026

Autori: Letian Peng, Kun Zhou, Longfei Yun, Yupeng Hou, Jingbo Shang

cs.AI

Abstract

Gli agenti di role-playing (RP) si basano su profili comportamentali per agire in modo coerente in diversi contesti narrativi, tuttavia i profili esistenti sono in gran parte non strutturati, non eseguibili e debolmente validati, portando a comportamenti degli agenti fragili. Proponiamo gli Alberi Decisionali Codificati (CDT), un framework basato sui dati che induce una struttura decisionale eseguibile e interpretabile da dati narrativi su larga scala. CDT rappresenta i profili comportamentali come un albero di regole condizionali, in cui i nodi interni corrispondono a condizioni di scena validate e le foglie codificano affermazioni comportamentali fondate, consentendo il recupero deterministico di regole appropriate al contesto in fase di esecuzione. L'albero viene appreso inducendo iterativamente regole candidate scena-azione, validandole rispetto ai dati e affinandole attraverso una specializzazione gerarchica, producendo profili che supportano l'ispezione trasparente e aggiornamenti principiati. Su molteplici benchmark, CDT supera sostanzialmente i profili scritti da umani e i metodi precedenti di induzione dei profili su 85 personaggi attraverso 16 artefatti, indicando che rappresentazioni comportamentali codificate e validate portano a un ancoraggio degli agenti più affidabile.

English

Role-playing (RP) agents rely on behavioral profiles to act consistently across diverse narrative contexts, yet existing profiles are largely unstructured, non-executable, and weakly validated, leading to brittle agent behavior. We propose Codified Decision Trees (CDT), a data-driven framework that induces an executable and interpretable decision structure from large-scale narrative data. CDT represents behavioral profiles as a tree of conditional rules, where internal nodes correspond to validated scene conditions and leaves encode grounded behavioral statements, enabling deterministic retrieval of context-appropriate rules at execution time. The tree is learned by iteratively inducing candidate scene-action rules, validating them against data, and refining them through hierarchical specialization, yielding profiles that support transparent inspection and principled updates. Across multiple benchmarks, CDT substantially outperforms human-written profiles and prior profile induction methods on 85 characters across 16 artifacts, indicating that codified and validated behavioral representations lead to more reliable agent grounding.