物語に登場するキャラクタには物語上のロールが存在する．セリフには，各ロール特有の語彙や表現が使われると仮定し、セリフの特徴を用いたキャラクタのロール推定手法を提案する．本稿では，「アクション，バトル，冒険，ファンタジー」の4ジャンル32作品を対象に，3種類のキャラクタロール（師匠・先生，ライバル，敵）120キャラクタのセリフデータセットを構築し，BERTを用いてセリフからキャラクタロールの推定を行った．その結果，F1値0.78の精度で推定可能であることが確認された．

1. セリフに着目した
キャラクタロール推定に関する基礎検討
関西大学
◎吉田 真紘 藤川 雄翔 松下 光範 山西 良典

2. はじめに：どんなキャラクタが好き？？
物語には数多くのキャラクタが登場する
01 / 30
・永遠の「ライバル」
・かつて「仲間」だったはずの「敵」
例）
読者によってキャラクタの好みは異なる

3. 従来のキャラクタ検索方法[1][2][3]
・「BLEACH」のキャラクタ
・「藍染惣右介」
・「黒髪」のキャラクタ
・「冷酷」，「残忍」なキャラクタ
・このキャラクタが書かれた画像
©久保帯人, 集英社, 2001
[1] https://neoapo.com/ [2] https://www.animecharactersdatabase.com/ [3]小林 達哉, 松下 光範. 性格要素と外見要素の加減算による類似キャラクタの検索,
ARG WEBインテリジェンスとインタラクション研究会予稿集, Vol.16, pp.106-111, 2020.
キャラクタ名，性格，外見等を入力とした検索
例）左のキャラクタは未知のキャラクタとした場合の検索方法
02 / 30

4. 実現したいキャラクタの探し方
・冷酷な「敵」キャラクタ
・「敵に寝返るキャラクタ」
(「味方 ⇒ 敵」になるキャラクタ)
キャラクタロール（物語上で果たす役割）に基づく検索
例）実現したい探し方
03 / 30

5. なぜキャラクタロールに着目？
好みに合うキャラクタを探す手がかりになる
キャラクタロール：全てのキャラクタに設定されている
共感や感情移入を生み出す重要な要素[5]
[4] Vogler, C.: 作家の旅 ライダーズ・ジャーニー 神話の法則で読み解く物語の構造,フィルムアート社 (2022)
[5] Truby, J.: ストーリーの解剖学 ハリウッドNo.1スクリプトドクターの脚本講座,フィルムアート社 (2017)
・「主人公」，「ライバル」など，複数のキャラクタロールが存在
04 / 30
・キャラクタロールに基づく言動は物語展開に影響[4]

6. キャラクタロールに基づく検索を行うために
キャラクタにキャラクタロールの情報を付与する必要
キャラクタに関する情報を表現できる「タグ」
・統一された概念としてキャラクタを理解可能
©鳥山明, 集英社, 1985
「セル」
・冷酷
・敵
05 / 30

7. 問題
キャラクタロールを直接示すような記述が少ない
・付与されていないキャラクタは検索対象から除外
キャラクタロールを推定し，タグを付与する必要
全てのキャラクタにタグが付与されているわけではない
→好みに合うキャラクタが検索対象外に存在する可能性
・キャラクタの言動を踏まえた読者の解釈が必要
06 / 30

8. キャラクタロールを推定するために
他のキャラクタに対する言動に着目する必要
07 / 30
例） ・師匠・先生： 他のキャラクタに知識や力を与える言動
・敵： 他のキャラクタを侮辱し，妨害する言動
各キャラクタロールを特徴づける要素が必要
読者はキャラクタロールを作中での行動や言葉から解釈
今回は主人公から見たキャラクタロールを対象

9. 着目要素：セリフについて
・セリフ：感情や意図の伝達を担う役割が存在[7]
[6] Matsumoto, K., Minato, J., Ren, F. and Kuroiwa, S.: Estimating human emotions using wording and sentence patterns, 2005 IEEE International Conference on
Information Acquisition, IEEE, pp. 6pp (2005)． [7]益岡隆志: モダリティの文法,くろしお出版(1991)
推定したいキャラクタ⇒主人公へのセリフを参照すれば
主人公から見たキャラクタロールが推定できるのでは？
登場人物の関係性：会話内容に反映される[6]
08 / 30
「煽る」セリフ 「指導」するセリフ

10. 本研究の目的・アプローチ
キャラクタが話すセリフから
登場キャラクタのキャラクタロールを推定する
BERTを用いてセリフとキャラクタロールの関係をモデル化する
アプローチ方法
・セリフに傾向が存在するならば，その傾向からキャラクタロールを推定
タグ未付与のキャラクタも，セリフからキャラクタロールを推定可能に！
目的
09 / 30

11. データセット作成：対象とするジャンル
[8] Campbell, J.: The Hero with a Thousand Faces, NEW WORLDLIB (2008).
・他ジャンルよりもキャラクタロールの特徴が明確に区別
・主人公が他キャラクタロールと関わり合い物語が進行[8]
・他ジャンルの作品と比べて作品数が多い
キャラクタの関係性が比較的分かりやすいジャンルを採用
対象ジャンル： アクション，バトル，冒険，ファンタジー
10 / 30

12. データセット作成：推定するキャラクタロール
[9]沼田やすひろ：超簡単!売れるストーリー&キャラクターの作り方，講談社 (2011)．
[10] Truby, J.: ストーリーの解剖学 ハリウッドNo.1スクリプトドクターの脚本講座,フィルムアート社(2017).
• 師匠・先生(Menter)：主人公に知識を与え成長を促し，教え導くキャラクタ
• ライバル(Rival)：主人公と対を成す存在として，競い合うキャラクタ
• 敵(Enemy)：主人公を妨害するものや，敵対する勢力に属するキャラクタ
・対象ジャンルに頻出し，主人公と関係性を構築する
11 / 30
沼田の分類[9]や『ストーリーの解剖学』[10]を参考に3種類に限定

13. データセット作成：対象作品と収集条件
ライトノベルのテキスト アニメの字幕テキスト
12 / 30
セリフの収集：2つの媒体から横断的に取得
・セリフをテキストデータとして入手

14. データセット作成：対象作品と収集条件
収集条件：
•100話以上掲載されている作品かつ対象ジャンルを満たす作品
•アニメ化，コミカライズ，ノベライズされている作品
•Web百科事典（e.g., Pixiv百科事典[11]）に作品情報が掲載
対象セリフ：最大100話分の中に該当するセリフをテキスト抽出
・鍵括弧（「」，『』）の枠内にあるテキストに限定
[11] https://dic.pixiv.net/
13 / 30

15. データセット作成：対象作品と収集条件
収集条件：
・漫画全巻ドットコム[12]＆みんなのランキング[13]に掲載される作品
・１クール，○○編，のような区切りを１作品分として収集
・小説家になろうで取得した作品は除外する（重複を防ぐ）
対象セリフ：字幕として画面上に表示される1文を1セリフに設定
[12] https://www.mangazenkan.com/ [13] https://ranking.net/
14 / 30

16. データセット作成：対象キャラクタとセリフの収集
対象キャラクタ：
セリフの抽出条件：主人公に向けられた単一方向のセリフ
収集結果：171キャラクタ4897セリフ Menter：40キャラクタ,1596セリフ
Rival：40キャラクタ,1400セリフ
Enemy：89キャラクタ,1897セリフ
内訳
15 / 30
①推定対象とした3種類のキャラクタロールに該当する
②主人公に対して5セリフ以上話す

17. 提案手法：キャラクタロール推定手法
(1)セリフ群の作成 (3)キャラクタロール推定
このキャラクタは
[キャラクタロールx]
Menter : 52%
Rival : 33%
Enemy : 15%
キャラクタ1：ライバル
[セリフA,B…X]
(2)推定モデルの学習
16 / 30
…
セリフX
セリフA
セリフB
セリフC
BERT
入力 出力

18. セリフ群の作成：データ整形
・主人公に向けられた全てのセリフを1つのセリフ群にまとめる
物語内で話すセリフを時系列順にまとめて「セリフ群」として整形
17 / 30
キャラクタX 「セリフA」
主人公 「セリフa」
キャラクタX 「セリフB」
主人公 「セリフb」
…
キャラクタX
セリフA[SEP]セリフB…

19. セリフ群の作成：ダウンサンプリング
・一部のキャラクタはセリフ群が長大となり，BERTの最大入力長を超過
→超過分はぶつ切りになり，推定のノイズになる可能性
BERTを使用する際，取り扱える文字長に制限がある
セリフ群の入力長が超過する場合は1セリフ単位でランダム削除
各キャラクタのセリフを単語に分割
“私”，“の”，“名前”，“は”，“キャラクタx”，“です”
18 / 30

20. セリフ群の作成：ダウンサンプリング
・Menter：40キャラクタ，Rival：40キャラクタ，Enemy：89キャラクタ
「敵」のキャラクタ数が2倍以上で，過学習されてしまう可能性
「敵」のキャラクタ数をセリフ数が少ないキャラクタから順に削除
・BERTにセリフの傾向を学習させるため，セリフ数が多いものを優先
ダウンサンプリング後のデータ：120キャラクタ，3237セリフ
・各40キャラクタ，M：1091セリフ，R：1110セリフ，E：1036セリフ
19 / 30

21. データセットの形式
キャラクタ名＋セリフ群＋キャラクタロール
20 / 30
キャラクタ001，「セリフA，セリフB…」，「師匠・先生」
キャラクタ040，「セリフA，セリフB…」，「師匠・先生」
キャラクタ041，「セリフA，セリフB…」，「ライバル」
キャラクタ080，「セリフA，セリフB…」，「ライバル」
キャラクタ081，「セリフA，セリフB…」，「敵」
キャラクタ120，「セリフA，セリフB…」，「敵」
…
…
…
40キャラクタ
40キャラクタ
40キャラクタ

22. 推定モデルの学習
・キャラクタロールを正解ラベルとした多クラス分類タスクを解かせる
・東北大学乾研究室のBERTモデル「bert-base-japanese-v3」を使用[14]
事前学習済みBERTモデルのファインチューニングにより学習
入力： 各キャラクタのセリフ群
出力： 各キャラクタロールに該当する確率分布＆推定結果
Menter Enemy
Rival
11% 21% 68%
決定
21 / 30
[14] https://huggingface.co/tohoku-nlp/bert-base-japanese-v3

23. 推定モデルの評価
セリフ群120件を用いて，層化5分割交差検証を行う
22 / 30
テストデータ 学習データ
Menter：8キャラクタ
Rival：8キャラクタ
Enemy：8キャラクタ
①
② ⑤
…
③ ④
②
① ③ ④ ⑤
分割1
分割2
…
・「正解率」，「適合率」，「再現率」，「F1値」の平均値を算出

24. 結果：キャラクタロールの推定 23 / 30
正解率 適合率 再現率 F1値
師匠・先生 0.900 0.848 0.900 0.864
ライバル 0.817 0.772 0.700 0.722
敵 0.850 0.820 0.750 0.769
全体 0.783 0.814 0.783 0.785
F1値：どのキャラクタロールも7割以上の推定精度が得られた
キャラクタのセリフ群を入力として用いることで
発話者のキャラクタロールを推定できる可能性が示唆された

25. 考察①「師匠・先生」
8割以上の推定精度が得られた
正解率 適合率 再現率 F1値
0.900 0.848 0.900 0.864
セリフ傾向：指導的なセリフ＆叱責を含むセリフ
24 / 30
・鱗滝左近次（鬼滅の刃）
「最終戦別，必ず生きて戻れ」
・幻海（幽☆遊☆白書）
「あまったれんじゃないよ」
鱗滝左近次 幻海
Menter 96.11% 97.71%
Rival 1.46% 1.21%
Enemy 2.43% 1.08%

26. 考察②「ライバル」
7割以上の推定精度が得られた
正解率 適合率 再現率 F1値
0.817 0.772 0.700 0.722
正しく推定できたセリフ傾向：勝利への執着＆相手を認めるセリフ
・シーザー・A・ツェペリ（ジョジョの奇妙な冒険）
「気絶しなかったのは褒めてやる」
・ユノ（ブラッククローバー）
「俺はただお前に負けたくない」
25 / 30
シーザー ユノ
Menter 1.11% 7.52%
Rival 96.99% 90.01%
Enemy 1.90% 2.42%

27. 考察②「ライバル」
誤って推定したセリフ傾向：強い敵意＆殺意を含むセリフ
・ディオ・ブランドー（ジョジョの奇妙な冒険）
「今ためらいもなく貴様を惨殺処刑してくれよう」
・斎藤一（るろうに剣心）
「その甘さが命取りになるぞ」
違い：物語上で元々敵対していた存在や，命のやり取りを行う
・正しく推定できたキャラクタ：主人公と友好的，競争相手としての関係
26 / 30
ディオ 斎藤一
Menter 0.85% 1.40%
Rival 22.92% 43.38%
Enemy 76.24% 55.22%

28. 考察③「敵」
正解率 適合率 再現率 F1値
0.850 0.820 0.750 0.769
正しく推定できたセリフ傾向：命を脅かす＆侮辱＆攻撃的なセリフ
・フレイザード（DRAGON QUEST ダイの大冒険）
「おとなしくてめえが死んでくれりゃ…」
・累（鬼滅の刃）
「何の未練もなくお前たちを刻めるよ」
27 / 30
フレイザード 累
Menter 1.24% 0.89%
Rival 5.47% 13.23%
Enemy 93.29% 85.88%
7割以上の推定精度が得られた

29. 考察③「敵」
誤って推定したセリフ傾向：相手の勧誘＆実力を認めるセリフ
・フリーザ（DRAGONBALL Z）
「おもっていたよりずっと強いようだね」
・ゲンスルー（HUNTER×HUNTER）
「そんなにとんがるなよ取り引きに来たんだ」
違い：戦闘中の会話の内容が影響した可能性
・正しく推定できたキャラクタ：勧誘や実力を認めるセリフは見られない
28 / 30
フリーザ ゲンスルー
Menter 0.74% 2.88%
Rival 95.52% 93.85%
Enemy 3.75% 3.27%

30. 推定精度を上げるには（今後の展望）
・データ数・対象ジャンルの拡大
・今回は対象とするキャラクタロールやジャンルを制限した
・より幅広いキャラクタや作品に対応した推定モデルの構築
・キャラクタロールの定義を再検討
・「ライバル」には友好的な競争相手と，敵対する相手が混在
→敵対する「ライバル」 と 「敵」の違い
29 / 30

31. おわりに：まとめ
・目的： 発話キャラクタのセリフからキャラクタロールを推定
・手法：
・背景： キャラクタロールに基づくキャラクタ検索を行いたい
・問題： 全てのキャラクタにタグが付与されているわけではない
BERTを用いてセリフとキャラクタロールの関係を学習
キャラクタロールを正解ラベルとした推定モデルを構築
30 / 30
・結果： セリフからキャラクタロールを推定できる可能性が示唆