基于双向表示学习的自顶向下文本级篇章修辞结构解析

基于摘要分析。本文研究自然语言文本的篇章修辞结构解析，提出具有双向表示学习能力的自顶向下解析器，以结合不同解析层级所需的局部与全局信息；同时引入边界特征与数据增强策略，应对 Rhetorical Structure Theory（RST）标注语料规模有限的问题。 方法动机是：自底向上的解析容易受局部信息限制，而自顶向下解析虽能利用全局信息，各层级对局部和全局线索的需求却并不相同。本文尝试结合两类信息，但摘要未说明双向表示的具体计算方式、融合模块、训练目标，以及边界特征和数据增强的构造方法。 作者报告，在 RST-DT 语料上的实验中，性能改善主要来自局部与全局信息的有效结合，边界特征和数据增强也有贡献。以金标准基本篇章单元（EDUs）为输入时，作者报告其核性检测（nuclearity）显著优于基线，span、relation 和 full 三项指标具有竞争力；以自动切分的 EDUs 为输入时，作者报告优于此前最先进工作。摘要未给出具体分数、指标计算方式、数据划分、基线配置及显著性检验细节，不能据此量化收益或直接比较两种输入条件；实验协议、消融及统计信息尚未验证。 该工作的直接研究对象是文本篇章树，而非神经信号。平台推测（待验证）：只有在 EEG 任务具有明确的层级片段结构及相应监督时，局部与全局信息融合才可能形成可检验的对应关系；文本边界特征和 EDUs 不能直接等同于 EEG 事件边界。现有材料不足以确定可直接复用的模块，尚未检索确认已有 EEG 相关工作，不将其视为已验证的 BCI 方法。