摘要
我们尝试了多种训练LSTM网络的方法，以预测RST话语树结构。RST话语分析的主要挑战在于训练数据量有限。为此，我们通过引入相关任务的辅助监督信号以及对话语结构的多种视角来对模型进行正则化，从而缓解数据不足的问题。实验结果表明，一种简单的LSTM序列化话语解析器能够有效利用这一多视角、多任务框架，在不同评价指标下相比基线模型实现了12%至15%的错误率降低，其性能已达到甚至媲美更为复杂的当前最先进解析器。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| discourse-parsing-on-rst-dt | LSTM Sequential Discourse Parser (Braud et al., 2016) | RST-Parseval (Full): 47.5* RST-Parseval (Nuclearity): 63.6* RST-Parseval (Relation): 47.7* RST-Parseval (Span): 79.7* |