25、深入解读文本背后的隐含信息挖掘

深入解读文本背后的隐含信息挖掘

1. 从文本中提取隐含信息挖掘（RBL）结果

在文本分析中，话语分析有助于发现那些可能形成有前景的候选RBL结果的基本话语单元（EDU）。默认的修辞关系，如阐述（Elaboration）和联合（Joint），往往不太能带来有价值的信息。我们期望的RBL结果是那些不同寻常、出人意料且具有涌现性的内容。像归因（Attribution）、条件（Condition）和背景（Background）等修辞关系，能指示潜在有信息价值的EDU。而对比（Contrast）、原因（Cause）和解释（Explanation）等关系，则能引入那些超出人们常规认知的事实和观察，是最佳的候选RBL结果。

此外，附着在对话树（DT）边缘的交际行为（形成交际对话树CDT），也是判断一个EDU对于形成RBL结果是否有趣的重要指标。如果某句话通过特定的交际方式（如不同意或确认）从一个人传递给另一个人，那么在大多数情况下，交际行为的主题可以作为很好的RBL候选。例如，在图16的顶部，交际行为表达式“ought(person, strive(person, consistent(person, [word, action])))”附着在从第二个阐述节点（从顶部开始）引出的边缘上。嵌套的交际行为强烈表明了最内层主题的重要性，如“consistent(person, [word, action])”。

2. 困难的RBL案例

在某些文本中，RBL虽然至关重要，但却难以自动化实现。以GPT - 2模型的介绍为例：“我们的模型GPT - 2，只是被训练来预测40GB互联网文本中的下一个单词。由于我们担心该技术的恶意应用，我们不会发布训练好的模型。然而，作为负责任披露的实