基于图卷积神经网络的隐式篇章关系识别

阮慧彬，孙 雨，洪 宇，吴成豪，李 晓，周国栋

(苏州大学 计算机科学与技术学院，江苏 苏州 215006)

0 引言

篇章关系识别旨在研究同一篇章内两个文本片段(短语、子句、句子或段落，简称论元)间的逻辑关系。作为自然语言处理(natural language processing，NLP)领域的一项基础研究，篇章关系识别在上层自然语言处理应用中具有重要价值[1]，如情感分析[2-3]、机器阅读理解[4]、文摘提取[5]和机器翻译[6-8]等。篇章关系识别的任务框架如图1所示，给定一个论元对(Arg1，Arg2)，使用篇章关系分类模型来识别两者间的篇章关系。

图1 任务框架

目前，篇章关系识别研究领域最大的权威语料库是宾州篇章树库[9](penn discourse treebank，PDTB)，其根据不同粒度，将篇章关系定义为一个三层的语义关系类型体系。其中，最顶层的四类语义关系是：比较(comparison)关系、偶然(contingency)关系、扩展 (expansion)关系以及时序(temporal)关系。同时，根据两个论元表述间是否具有连接词(也称为线索词，如“because(因为)”等)作为衔接手段，PDTB将篇章关系分为两类：显式篇章关系(explicit discourse relation)和隐式篇章关系(implicit discourse relation)[1]。其中，显式篇章关系是可直接通过显式连接词推理得到的篇章关系类型。如例1所示，此显式偶然关系论元对包含显式连接词“so(所以)”，这一线索指明Arg2是由Arg1导致的结果，因此，我们可直接推理出例1中的论元对具有偶然关系。

例1 [Arg1]: and will take measures

(译文：并将采取措施)

[Arg2]:sothis kind of thing doesn’t happen in the future

(译文：所以这类事情不会再发生)

[篇章关系]: Contingency.Cause.Result

相对地，隐式篇章关系论元对中缺少显式连接词，所以其更依赖于词法、句法、语义以及上下文等特征，如下述例2中的“hurricane (飓风)”是需要落实“precautionary mechanisms (预防机制)”的原因，因此，可推导出此论元对包含的篇章关系为偶然关系。……