基于深度学习的修辞语步识别
Sociedade Brasileira de Computação · Sep 2025
在 CorpusDT 语料库上对 BERTimbau 的蒸馏版本进行微调，用于识别葡萄牙语科学摘要中的修辞语步，句子分类 F1 分数达到 0.94。展示了 NLP 在提升葡萄牙语学术写作质量方面的潜力。
案例研究
F1 0.94 · 准确率 93.97% · 6 个修辞类别 · 52 篇摘要 → 1,409 个样本
问题
葡萄牙语缺乏支持科学写作的工具。Swales 提出的修辞语步（背景、研究空白、目的、方法、结果与结论）通常凭直觉组织，研究空白往往未被明确表述。此前葡萄牙语的参考分类器 AZPort 采用朴素贝叶斯方法，准确率为 72%。
限制
CorpusDT 是葡萄牙语中为数不多的标注语料库之一，仅包含 52 篇科学摘要，不足以直接微调 Transformer 模型。
方法
我构建了一条保留每个句子修辞含义的数据增强管道：回译（葡→英→葡）、同义词替换、随机插入与交换，以及作为正则化手段的随机删除，以随机方式应用并向少数类倾斜。由此将 52 篇摘要扩充为 1,409 个类别均衡的句子样本（分层 80/20 划分）。在该数据集上，我微调了 BERTimbau 的蒸馏版本 distilbert-portuguese-cased，配置 6 类分类头、按类别加权的交叉熵、混合精度（FP16）、余弦调度的 AdamW，并以验证集 F1 进行早停。
结果
最终分类器在验证集上取得加权 F1 0.94（宏平均 0.9403）、准确率 93.97%，这是葡萄牙语修辞语步识别领域已知的最佳结果。误差分析显示，误分类集中在语义相邻的语步之间（例如 7.7% 的"结果"句被判为"方法"），即使对人工标注者而言这也是一条微妙的边界。错误呈现出符合逻辑的模式，而非随机分布。