摘要

对话话语分析旨在通过发现多参与者对话中的所有话语链接及其相应关系来揭示其内部结构。以往的研究要么将这一任务视为一系列独立的选择题，其中链接的存在性和关系分别进行解码，要么仅限于局部交互的编码，忽略了整体结构信息。相比之下，我们提出了一种原则性的方法，从编码和解码两个方面改进了以往的工作。在编码方面，我们在邻接矩阵上进行结构化编码，并采用矩阵树学习算法，其中对话中所有的话语链接和关系都基于潜在的树级分布进行联合优化。在解码方面，我们使用改进的Chiu-Liu-Edmonds算法进行结构化推理，显式生成最能捕捉话语结构的带标签的多根非投影生成树。此外，与以往研究不同的是，我们不依赖手工设计的特征；这提高了模型的鲁棒性。实验结果表明，我们的方法达到了新的最先进水平，在STAC数据集上比之前的模型提高了2.3（F1分数），在Molweni数据集上提高了1.5（F1分数）。注：代码已发布于\url{https://github.com/chijames/structured_dialogue_discourse_parsing}。