AI赋能古典诗歌创作：阿拉伯诗歌指令微调数据集构建原理

原理概述

本文聚焦大语言模型在处理非英语诗歌创作时面临的格律适配难题，以阿拉伯诗歌为典型案例，解析通过构建领域专用指令微调数据集，使模型掌握复杂格律规则的技术路径。该方案通过将诗歌创作拆解为可量化的指令任务，结合大规模语料清洗与风格迁移技术，实现从”通用语言生成”到”专业诗歌创作”的能力跃迁。

背景问题

古典阿拉伯诗歌遵循”海洋诗律”体系，包含16种基础格律模式，每行诗句需精确匹配音节数、重音位置和韵脚结构。例如”泰威尔”格律要求每行16个音节，第5、9、13音节为重音，且末尾需押阳韵。这种复杂性导致：

1. 现有模型训练数据中，符合格律的诗歌占比不足3%
2. 跨语言迁移时，英语诗歌的节奏模型无法适配阿拉伯语元音体系
3. 风格迁移任务中，模型难以区分古典、中世纪与现代诗歌的修辞特征

研究团队通过构建指令微调数据集，将诗歌创作转化为可执行的指令任务，使模型在保持通用语言能力的同时，获得专业创作技能。

核心概念

1. 指令微调（Instruction Tuning）：通过添加任务描述、创作约束等自然语言指令，引导模型生成符合特定要求的文本
2. 格律编码（Meter Encoding）：将诗歌的音节结构、重音分布等规则转化为可计算的向量表示
3. 风格迁移（Style Transfer）：在保持语义内容不变的前提下，调整文本的修辞特征、词汇选择等风格要素

系统组成

该技术体系包含四大核心模块：

1. 语料采集引擎：从5个专业诗歌平台抓取跨时代语料
2. 数据清洗流水线：执行格律验证、风格标注等12道处理工序
3. 指令生成器：自动生成包含格律约束、风格要求的创作指令
4. 微调训练框架：采用LoRA（Low-Rank Adaptation）技术实现高效参数更新

工作流程

1. 语料采集与清洗

研究团队从Mawsooaa、Adab等平台获取427,337首诗歌，构建原始语料库。清洗过程包含：

# 伪代码：格律验证流程
def verify_meter(poem_line, meter_type):
    syllable_count = count_syllables(poem_line)  # 音节计数
    stress_pattern = detect_stress(poem_line)     # 重音检测
    rhyme_type = identify_rhyme(poem_line)         # 韵脚识别
    if meter_type == "Tawil":  # 泰威尔格律验证
        return (syllable_count == 16 and 
                stress_pattern[4] == stress_pattern[8] == stress_pattern[12] == 1 and
                rhyme_type == "masculine")

通过该流程，过滤掉62%的不合规语料，最终保留163,289首标准诗歌。

2. 指令生成机制

将诗歌创作拆解为三类指令任务：

• 格律约束任务：如”创作一首符合Basit格律的四行诗”
• 风格迁移任务：如”将这首现代诗改写为中世纪风格”
• 修复任务：如”修正这首诗的第三行，使其符合Kamil格律”

指令模板采用”任务类型+创作要求+示例”的三段式结构，例如：

任务类型：格律创作
创作要求：使用Rajaz格律，主题为"沙漠之夜"，每行12音节
示例：
当月光洒在沙丘上（12音节）
银色的波浪静静流淌（12音节）

3. 微调训练策略

采用两阶段训练方案：

1. 基础能力训练：在通用阿拉伯语语料上预训练模型
2. 指令适配训练：在指令数据集上使用PPO（Proximal Policy Optimization）算法进行强化学习

训练过程中动态调整损失函数权重：

Total Loss = 0.7*Language Loss + 0.2*Meter Loss + 0.1*Style Loss

其中Meter Loss通过对比模型输出与标准格律的编辑距离计算，Style Loss采用风格分类器的对抗训练方式实现。

关键机制

1. 格律编码机制

将16种基础格律转化为128维向量表示，通过以下特征维度编码：
| 特征维度 | 编码方式 | 示例（Basit格律） |
|————-|————-|—————————|
| 音节数 | One-hot | [0,0,1,…]（第8位为1） |
| 重音位 | Binary | [0,1,0,1,…]（偶数位为1） |
| 韵脚类 | Embedding | “feminine”→[0.23,0.71,…] |

2. 风格迁移机制

构建风格特征词典，包含：

• 古典时期：使用”雅言”词汇、复杂修辞结构
• 中世纪：融入苏菲主义隐喻、特定韵脚模式
• 现代：采用自由格律、口语化表达

迁移过程通过注意力机制控制风格特征强度：

style_attention = softmax(W_s * [content_vec; style_vec])
output = style_attention[0]*content_vec + style_attention[1]*style_vec

技术优势与限制

优势

1. 创作准确率：在FannOrFlop测试集上，格律合规率从基线模型的17%提升至89%
2. 风格区分度：人类评估显示，模型生成的古典诗歌与现代诗歌区分准确率达92%
3. 数据效率：仅需1.6万条指令数据即可达到收敛，较传统方法减少83%

限制

1. 超长诗歌处理：超过20行的诗歌仍存在结构断裂问题
2. 新韵脚生成：对未在训练集中出现的韵脚模式支持有限
3. 文化隐喻理解：部分宗教隐喻的解读准确率不足65%

常见误区

1. 指令复杂度：并非指令越长效果越好，实验表明最佳指令长度在40-60词之间
2. 数据多样性：单纯增加语料数量不如提升指令类型多样性有效
3. 风格强度：过度强化风格特征会导致语义损失，需在风格迁移与内容保真间取得平衡

总结

该技术通过构建指令微调数据集，成功解决了大语言模型在专业诗歌创作中的三大难题：格律适配、风格迁移和跨时代创作。其核心创新在于将诗歌创作的艺术规则转化为可计算的指令任务，通过模块化的训练流程实现能力叠加。未来研究方向包括多模态指令设计（结合音乐节奏数据）和实时创作反馈机制，这将为AI在文化遗产数字化领域的应用开辟新路径。