基于多尺度自注意力增强的多方对话角色识别方法

张禹尧，蒋玉茹，张仰森

(北京信息科技大学 智能信息处理研究所，北京 100101)

0 引言

角色识别(character identification)任务的目标是在多人参与的对话中，将每个人物提及(mention)映射到具体的人物实体，这里的人物提及可以是任何表示人物的名词，如“他”“阿姨”等。由于多方对话数据中的上下文往往由多个角色轮流交替发言组成，其中包含着大量的对话场景内以及对话场景外的人物提及，因此想要正确理解上下文的内容，必须明确这些人物提及的具体指代。换言之，角色识别任务是多方对话理解中关键性的步骤，也是后续高级自然语言处理任务(机器问答、文本摘要、信息抽取等)能应用在多方对话数据上的基础[1]。

Chen等[2]对美剧《老友记》(Friends)的剧本进行了收集、整理、标注，构建了第一个关于多方对话理解的数据集，并将其以任务的形式发布在了SemEval2018 Task4[3]。在该评测任务中，来自庞培法布拉大学的Aina等[4]为了提升非高频角色的识别效果，构建了基于角色实体库的角色识别模型(AMORE-UPF)，取得了评测的冠军。然而，就最终的评测指标来看，该模型取得的效果似乎仍不尽如人意。原因一定程度上来自于模型的编码器部分，该部分仅由单层的BiLSTM构成。一方面，数据中存在着大量的长对话，尽管LSTM相较于基础的RNN结构能保留更长的记忆信息，但是对于过长的文本，同样会有信息的丢失；另一方面，对话之间是存在着信息关联的，只使用BiLSTM无法捕获这种信息之间的关联。本文针对这两方面的问题，提出了一种基于多尺度自注意力增强的多方对话角色识别方法(multi-scale self-attention character identification，MSA-CI)。……