拉丁文本复用不再只判有无:逐词给出复制、变形还是替换,200对校正即追平全量标注
核心概要
拉丁文学互文研究此前只能判断两段文字有无引用,或粗分为直引与暗引,无法说明后世作者逐词改动了什么。一种指针网络为复用段落的每个词选定源词或判定无源,并在同一步给出复制、词形变化、替换等操作标签;先用对拉丁文本施加已知操作生成的合成词对训练,再由主动学习挑选模型最不确定的词对交人校正。在Loci Similes基准的1,490条引用上,按不确定性选出的200对校正后,模型与用全部标注词对训练的模型相当(宏F1 84.58对84.44)。
深度剖析
文本复用分析从判断两段文字是否相关,推进到逐词说明后世作者如何改写来源:复用段落的每个词被连到对应的源词或标为无源,并附上复制、词形变化、替换等操作标签,合起来构成一份编辑脚本。 此前的拉丁互文计算工作把一对段落分为无引用、直引或暗引三类,这一标签只说明两段是否相关,不解释改写方式;词对齐方法多来自翻译场景,只给连接不给标签,而拉丁文学中带词级标注的语料此前只有100条圣经复用。 在Loci Similes基准的1,490条专家核验引用上,该模型取得最高的宏F1 85.37,并在两个困难标签上领先:词形变化F1 78.36、替换F1 53.60;仅连接相同词形的下限系统宏F1为53.47。
模型把“这个词有没有来源”和“来源词是哪一个、做了什么操作”放在同一步决定,而不是先对齐再套规则命名。 先对齐、再用固定规则给连接命名的做法在替换上损失明显:规则把不同词形的同源词判为词形变化,其余判为替换,无法利用词义关系。 同一批连接上,事后训练的标签分类器宏F1为72.00,固定规则为81.04,而边连接边标注的模型为84.44;与跨度对齐器合并连接分数后连接F1升至95.47,但按规则命名后宏F1降为83.53。
标注成本被压到数百对:合成词对先教会模型任务的形状,主动学习再让标注者只校正模型最不确定的词对。 冷启动时不确定性采样通常失效,因为模型尚未学会任务;合成阶段正是用来消除这一冷启动。 从仅用合成词对训练的模型出发,按不确定性选出的200对校正后宏F1为84.58,用全部标注词对训练为84.44,随机选择为83.54;另两种策略未超过随机选择。
启示与展望
演示范围是Loci Similes基准的1,490条拉丁文学引用,含858条直引与632条暗引,评价按该基准的五个折进行;预测脚本与审阅应用覆盖全部1,490条引用,读者可在其中逐词查看每条脚本。
标注循环的校正由单一标注者完成,因此标注只反映一种对指南的读法,无法测量标注者间一致性;指南留有余地之处,例如替换关系的命名或将连接标为可能,另一位标注者可能作出不同判断。拉丁语词汇资源未记录的关系无法被规则命名,词法证据也随之沉默,而模型漏掉的替换大多属于此类。
