[论文解读] Persian Rhetorical Structure Theory

Sara Shahmohammadi, Hadi Veisi+1 more|arXiv (Cornell University)|Jun 25, 2021

Natural Language Processing Techniques参考文献 24被引用 7

一句话总结

本文提出一个基于修辞结构理论（RST）的150篇新闻文本波斯语语料库，采用18种基于英语RST话语树库指南的语篇关系进行标注。该研究构建了一个基于DPLP框架的大 margin 转移方法语篇解析器，在片段检测、核性分类和关系检测任务上分别取得78%、64%和44%的F1分数。

ABSTRACT

Over the past years, interest in discourse analysis and discourse parsing has steadily grown, and many discourse-annotated corpora and, as a result, discourse parsers have been built. In this paper, we present a discourse-annotated corpus for the Persian language built in the framework of Rhetorical Structure Theory as well as a discourse parser built upon the DPLP parser, an open-source discourse parser. Our corpus consists of 150 journalistic texts, each text having an average of around 400 words. Corpus texts were annotated using 18 discourse relations and based on the annotation guideline of the English RST Discourse Treebank corpus. Our text-level discourse parser is trained using gold segmentation and is built upon the DPLP discourse parser, which uses a large-margin transition-based approach to solve the problem of discourse parsing. The performance of our discourse parser in span (S), nuclearity (N) and relation (R) detection is around 78%, 64%, 44% respectively, in terms of F1 measure.

研究动机与目标

• 在修辞结构理论（RST）框架下，为波斯语开发一个语篇标注语料库。
• 解决波斯语缺乏标注语篇资源的问题，特别是在语篇解析背景下的资源缺失。
• 基于DPLP框架，采用大 margin 转移方法，构建波斯语语篇解析器。
• 评估该解析器在片段检测、核性分类和关系检测任务上的性能表现。
• 为波斯语自然语言处理研究贡献一个高质量标注语料库与一个可训练的语篇解析器。

提出的方法

• 语料库由150篇新闻文本构建而成，每篇平均约400个词，采用RST框架。
• 语篇关系基于英语RST话语树库标注指南，使用18种子关系类型进行标注。
• 语篇解析器基于DPLP解析器构建，采用大 margin 转移学习方法。
• 通过使用高质量标注的分段结果进行训练，以提升解析准确性。
• 系统在联合解析框架中执行片段检测、核性分类与关系检测。
• 性能评估采用F1分数对片段、核性与关系预测任务进行衡量。

实验结果

研究问题

• RQ1 如何系统性地基于修辞结构理论框架构建波斯语语篇标注语料库？
• RQ2 在波斯语文本上训练的语篇解析器在片段检测、核性分类与关系检测任务中能达到多高的性能？
• RQ3 DPLP解析器框架能否有效适配波斯语，实现与基于英语系统的相当性能？
• RQ4 在波斯语语篇中应用RST时面临哪些挑战，这些挑战如何影响标注一致性与解析准确性？
• RQ5 所提出的解析器在低资源环境下的性能指标与现有语篇解析器相比如何？

主要发现

• 所提出的语篇解析器在片段检测任务上达到78%的F1分数，表明其在识别语篇片段方面表现优异。
• 核性分类任务取得64%的F1分数，表明其在确定语篇单元层次结构方面具有中等准确度。
• 关系检测任务的F1分数为44%，反映出三者中难度最高。
• 该语料库包含150篇新闻文本，每篇平均约400个词，为波斯语语篇分析提供了充足资源。
• 标注过程使用了18种子关系类型，与英语RST话语树库指南保持一致，确保了标注的一致性与可比性。
• 本研究证明了基于RST的语篇解析方法在波斯语中的可行性，且所采用的可迁移解析器框架具有实际应用潜力。