Team "better_call_claude"：基于顺序句子对分类器的风格变化检测
计算与语言
2025-08-04 v1
摘要
风格变化检测 - 在文档中识别写作风格变化点的任务 - 仍是计算作家身份分析中最重要且最具挑战性的问题之一。在 PAN 2025 年共享任务中，参赛者被挑战在最细粒度层面检测风格切换：单个句子。该任务涉及三个数据集，每个数据集都在文档内部设计了受控且日益增加的主题多样性。我们提出通过对每个问题实例的内容进行建模 - 即一系列句子 - 来解决这一问题，使用顺序句子对分类器 (SSPC)。该架构利用预训练语言模型 (PLM) 获取 individual 句子的表示，然后输入双向 LSTM (BiLSTM) 对其在文档中的语境进行上下文化。BiLSTM 生成的相邻句子向量被拼接并传递给多层感知器进行每个相邻对的预测。基于前 PAN 参赛者的经典文本分割工作，该方法相对保守且轻量级。尽管如此，它在充分利用上下文信息方面仍然有效，解决了今年共享任务中最具挑战性的问题之一：该基准数据中盛行的 "风格浅薄" 短句问题。在官方 PAN-2025 测试数据集上评估，该模型在 EASY、MEDIUM 和 HARD 数据集上分别获得了 0.923、0.828 和 0.724 的强宏观 F1 分数，显著优于官方随机基线以及更具挑战性的 claude-3.7-sonnet zero-shot 表现。
引用
@article{arxiv.2508.00675,
title = {Team "better_call_claude": Style Change Detection using a Sequential Sentence Pair Classifier},
author = {Gleb Schmidt and Johannes Römisch and Mariia Halchynska and Svetlana Gorovaia and Ivan P. Yamshchikov},
journal= {arXiv preprint arXiv:2508.00675},
year = {2025}
}