本文提出了一个无监督框架，用于共同建模微博交谈中的主题内容和话语行为。具体而言，我们提出了一个神经模型来发现表示会话涉及什么（即主题）和反映参与者表达意见的词群（即话语）。广泛的实验表明，我们的模型既能产生连贯的主题又能反映有意义的话语行为。进一步的研究表明，我们的主题和话语表征可以增强微博信息分类的性能，特别是在分类器联合训练的情况下。

Mar, 2019

通过使用会话树以及区分话语角色，本文提出了一个无监督模型来提取微博信息中的主题并进行总结，结果表明这个模型能够有效地发现微博会话中摘要值得关注的内容。

Sep, 2018

基于 GNN 的节点分类模型，利用话语结构从复杂的多方讨论中筛选出最重要的话语，并生成提取式摘要，实验证明该方法超过现有的基于文本和图的提取式摘要系统。

May, 2024

通过构建神经网络模型，模拟句子和段落之间的相互依赖和连续性，并能够连续预测段落中的语篇关系，从而提高隐含的语篇关系分类的效果，并在 PDTB 的基准语料库上取得了最佳性能。

Apr, 2018

本研究旨在探索话语连贯中回应关系的一般性结构，并提出一种学习潜在议题和话语结构的模型，通过利用主题一致性和话语依存来预测发起 - 回应联系，实验结果表明，我们的模型在中文客服对话等任务上表现显著优于之前的方法。

Apr, 2021

本研究提出了一种深度、全局归一化的主题模型，该模型考虑了社交生成语料库中文档之间的结构关系，并通过加入观察到的回复链接来捕捉对话交互信息，以及使用深度体系结构排列的潜在分布式表示，以实现基于 GPU 的有效比例推理过程。我们将该模型应用于 Reddit 论坛中的新社交媒体数据集，并对多个指标进行了评估，包括困惑度和元数据预测，并定量分析了所学到的交互模式。

Sep, 2018

该研究旨在构建一种新型的自动预测语音理解系统，该系统利用历史对话信息预测口语意图、对话行为、说话人角色和情感等四种属性，并采用自回归模型和无序训练方法，以应对不同 SLU 任务的高效率和低延迟问题。实验证明，该系统与任务特定的分类器相当，并可有效整合对话环境以进一步提高 SLU 性能。

May, 2023

对话语境及刚入门的注释者的不确定性是注释语篇关系的困难任务，我们通过计算包含置信度和对话语境信息的共现统计数据中的语篇关系的分布表示，并进行层次聚类分析，发现计算这些表示并赋予关于置信度和对话语境的信息能够连贯地模拟注释者对于语篇关系标签的不确定性。

Aug, 2023

时间压力和话题协商对人们在即兴对话环境中利用话语关系（DRs）存在限制。本研究使用初学者注释的众包数据，将一种面向书面语的 DR 系统适应到即兴对话中，并测试不同类型的多发话语环境中的话语关系使用情况。我们比较说话者内部和跨说话者以及连续回合内部和跨连续回合的 DR 注释模式。最终，我们发现不同的话语环境产生不同的话语关系分布，而单个回合的注释给注释者带来最大的不确定性。此外，我们发现话语关系注释的质量足以从话语单位的嵌入中进行预测。

Jul, 2023

本研究提出了一种学习记忆包含关系和对话关系以实现人物 - 一致性对话任务的方法，通过自然语言推理数据集中的包含文本对应用于前提 - 假设生成任务，学习隐含包含关系，同时以类似架构的内存应用于对话中的话语信息，这两个记忆空间的正交性限制确保隐含的包含关系保持对话无关性，并在两个记忆的协作下获得包含和话语表示，使得对话一致性和回复连贯性得到更深入的理解。在 PersonaChat 和 DSTC7-AVSD 这两个大型公共数据集上的实验表明，该模型在人物一致性和响应连贯性方面表现优于几个强基线模型。

Jan, 2023