arXiv cs.AI· Mohammadreza Sediqin, Shlomo Engelson Argamon·· 2 天前AI 评分22
RAG-RST：以检索示例作为上下文篇章结构实现 RST 解析
RAG-RST: Retrieved Exemplars as In-Context Discourse Schema for RST Parsing
AI 导读
RAG-RST 是一个检索增强框架，通过上下文示例而非参数更新为 LLM 提供篇章结构，无需训练即将核心性从 0.794 F1 提升至 0.846 F1、关系从 0.738 F1 提升至 0.788 F1。
正文 · AI 翻译
摘要：在修辞结构理论（RST）中，话语树的每条边都带有一个核心性标签，标记哪个跨度承载中心内容，以及一个取自封闭功能类别清单的关系。这两个标签都不是表层属性：相同的两个小句可以是 Elaboration 或 Background，取决于修辞意图，而它们之间的边界由标注惯例而非词汇线索确定。因此，预测这些标签需要一种形式化的话语图式，而接触富含话语的预训练文本并不能提供这种图式：仅给定一个目标 EDU 对，一个强大的 LLM 在核心性上达到 0.794 F1，在关系上达到 0.738 F1。我们提出 RAG-RST，一个检索增强框架，将这种图式作为上下文演示提供，而非通过参数更新，在无需训练的情况下将核心性提升至 0.846 F1，关系提升至 0.788 F1。我们比较了两种配置：一种预计算策略，在解析前为所有 EDU 对打标签；以及一种动态策略，在每个归约步骤进行检索，使得到达生成器的示例取决于解析器已经承诺的归约。两者在跨度、核心性、关系和完整树指标上均优于现有 RST 解析器，其中动态变体始终最强。检索到的图式呈现出两个特性：其效用受数量限制，在超过五十个示例后饱和并随后下降；并且它依赖于结构位置。两者都表明，形式化的语言图式可以作为演示提供给基础模型，而非训练进其参数中。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.22150 [cs.AI] |
| （或 arXiv:2610.22150v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22150 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Mohammadreza Sediqin [查看电子邮件]
[v1]
2026年10月15日星期四 16:18:06 UTC（411 KB）
来源：arXiv cs.AI · arxiv.org