基于双向表征学习的自顶向下篇章级修辞结构解析

基于摘要分析。本文研究文本的篇章修辞结构解析，提出具有双向表征学习能力的自顶向下解析器，旨在结合局部与全局信息，并利用边界特征和数据增强缓解 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限于局部信息，而自顶向下解析虽能利用全局信息，不同解析层级对局部与全局信息的需求却并不相同。作者据此主张联合利用两类信息。摘要未说明双向表征的计算方式、信息融合机制、边界特征定义及数据增强操作，不能将其等同于特定双向网络或训练目标。 作者在 RST-DT 上分别采用金标准基本篇章单元（EDUs）和自动分割 EDUs 进行评估。作者报告：在金标准 EDUs 条件下，所提方法在核性识别（nuclearity）上显著优于基线，在 span、relation 和 full 三项指标上具有竞争力；在自动分割 EDUs 条件下，优于此前最先进工作。摘要未提供具体分数、指标计算口径、基线名称及显著性检验细节，因此两种分割条件下的结果不能直接混比。 作者将主要改进归因于局部与全局信息的有效结合，并称边界特征和数据增强也有贡献；具体消融、数据划分、训练设置及统计信息尚未验证。本文的直接研究对象是文本篇章结构，而非 EEG 或 BCI；现有材料不足以建立具体的神经信号迁移机制，不据此推断 BCI 有效性。