面向修辞角色标注的层次化架构：整合局部上下文与全局语义原型
计算与语言
2026-03-05 v1
摘要
修辞角色标注（RRL）识别文档中每个句子的功能角色，是理解语篇结构在法律、医疗等领域的关键任务。虽然层次化模型在捕获局部依赖方面有效，但在建模全局、语料库级别特征方面受限。为此，我们提出两种基于原型的方法，将局部上下文与全局表示相结合。基于距离的辅助损失学习软原型，以结构化潜在空间为目标的原型正则化（PBR），以及构建语料库级别原型并在训练与推理期注入的原型条件调制（PCM）。鉴于 RRL 资源稀缺，我们引入 SCOTUS-Law，这是首个标注了美国最高法院意见书中修辞角色的语料库，包含三个层次的细粒度：类别、修辞功能与步骤。实验表明，在法律、医疗和科学基准测试中，我们的方法 consistently 超越强大基线，对低频角色实现 4 个 Macro-F1 的提升。我们进一步分析了在大语言模型时代的意义，并通过专家评估补充了我们的发现。
引用
@article{arxiv.2603.03856,
title = {Coupling Local Context and Global Semantic Prototypes via a Hierarchical Architecture for Rhetorical Roles Labeling},
author = {Anas Belfathi and Nicolas Hernandez and Laura Monceaux and Warren Bonnard and Mary Catherine Lavissiere and Christine Jacquin and Richard Dufour},
journal= {arXiv preprint arXiv:2603.03856},
year = {2026}
}
备注
Accepted at EACL 2026