该论文介绍了我们在 DISRPT2021 共享任务中的贡献，我们的系统 DisCoDisCo 基于 Transformer 的神经分类器，在上下文化的词嵌入上增加手工制作的特征，并依靠标记词序列的方法实现话语分割和联结检测，利用富有特征、无编码器的句子对分类器实现关系分类，我们的结果在前两个任务上优于上一次 2019 共享任务的 SOTA 成绩，并且在关系分类上的结果表明对 2021 年新基准测试具有强大的性能。消融实验表明，包括 CWEs 以外的特征对于两个任务都是有帮助的，多个预训练 Transformer 基于语言模型的局部评估表明，基于 Next Sentence Prediction（NSP）任务预训练的模型是实现关系分类的最佳选择。

Sep, 2021

一种轻量级语篇连接词检测系统，使用基于梯度提升训练的简单、低复杂度特征，避免了依赖深度神经网络的计算需求；考虑到其简洁性，该方法在 CPU 上即可取得竞争性结果，同时在两种不相关的语言之间表现稳定，这表明了该系统在多语言场景中的鲁棒性；此模型旨在支持语篇关系的标注，特别适用于资源有限的场景，同时尽量减少性能损失。

Apr, 2024

本文描述了我们的系统（HIT-SCIR），该系统提交给 CoNLL 2018 共享任务，涉及从原始文本到通用依赖的多语言解析。我们基于斯坦福的获胜系统进行提交和进行了两个有效的扩展：1）将深度上下文化词嵌入到词性标记器和解析器中；2）集合使用不同初始化的解析器进行训练。我们还探索了不同的合并树库的方法以进行进一步的改进。开发数据上的实验结果显示了我们方法的有效性。在最后的评估中，我们的系统在 LAS（75.84％）上排名第一，并大幅跑赢了其他系统。

Jul, 2018

本文提出一种基于 BiLSTM-CRF 框架的端到端神经分割器，为了提高其准确性，我们解决了数据不足的问题，并使用自我注意机制捕捉了有用的邻域信息，实验结果表明，我们的模型在达到新的最佳性能的同时，比以前的方法快得多。

Aug, 2018

本文提出了用于生成连贯和流畅的语篇的方法，并介绍了预测话语连接词的任务以及相应的数据集和评估机制，同时使用可分解注意力模型进行任务的自动预测并发现其 F1 得分高于人类评估者，但在特定情况下，人类评估者仍然优于该模型。

Feb, 2017

研究了如何在缺乏话语连词的情况下进行隐含话语关系分类，设计了一种神经网络模型，通过预测和生成连词来实现话语关系的分类。实验结果表明，在 PDTB 2.0，PDTB 3.0 和 PCC 三个数据集上，该模型明显优于其他基线模型，从而表明了该模型的长处。

Jun, 2023

本文提出了一种新颖的检测漫游症的体系结构，结合了上下文信息和依存树捕获的长距离结构化信息，在英文 Switchboard 上实现了最先进的结果，明显优于现有技术。

Mar, 2022

本文提出了第一个 在句法和语篇层面上共同解析 的端到端语篇解析器，并通过将宾州树库与 RST 树库集成来提供第一个语法树处理工具。该工具构建在最新的基于区间的组成解析器上，不需要任何预处理，并实现最先进的端到端语篇解析精度。

Aug, 2017

本文提出了一种基于文档的对话方法，通过生成理解文本的知识与回答用户提问，逐步消除错误传播问题，并采用温度调度方法减少文档信息的负面影响，实验结果证明了多任务学习策略的有效性。

Apr, 2022

本文提出了一种适用于在线社交平台的非一致性对话分析的统一模型，通过 GRN 层和非对称损失函数结合语气、语境和标签的嵌入实现，不需要训练为每个标签建立唯一的架构 / 模型，可达到与 SOTA 相当的结果。

May, 2023