本研究提出了一种方法，利用未标注的语料库中的关于话语标记的信息，自动发现带有相关话语标记的句子对，构建了一个包含 174 个话语标记的数据集，并用于学习迁移句子嵌入。尽管语句表示学习通过话语标记预测取得了跨转移任务的最先进结果，但仍存在进一步提高的空间，因为仍不清楚我们的模型是否利用了句子间的语义关系。

Mar, 2019

本研究探讨了一种模型，利用包括字符，子词，单词，句子和句对级别的不同粒度的文本表示来更好地表示文本，该模型在隐含关系识别中取得了 48% 以上的最新成果。

Jul, 2018

本文提出了一种计算分布式含义表示的方法来解决自动识别篇章关系的难题。我们通过结合句子的句法解析树，并使用一种新颖的向下组成算法，计算实体提及的含义表示。这种方法不仅可以预测句子间的篇章关系，还可以预测它们的指代实体提及之间的关系，并在 Penn Discourse Treebank 上取得了优越的表现。

Dec, 2014

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

利用依存分析和基于规则的指标，我们能够通过利用显式的篇章关系来筛选高质量的句子关系任务，从而得出高质量的句子嵌入向量及用作 BERT 等更大型模型的监督微调数据集。

Oct, 2017

提出了一种任务导向的对话意义表示 —— 对话意义表示（DMR），它使用一组节点和边来表示复杂的组合语义，并具有继承层次结构机制，提高了域可扩展性；利用 DMR-FastFood 数据集进行实验，提出了两个评估任务来评估差异化对话模型以及基于图形的指代消解任务的 GNNCoref 模型，并显示出 DMR 可以很好地用预训练的 Seq2Seq 模型解析，并且 GNNCoref 可大幅优先于基线模型。

Apr, 2022

使用训练预测语篇标记的模型预测已知语义关系的句子对之间可信的标记，从而在现有分类数据集上提供语篇标记与语义关系之间的自动化底层特征化。

Jun, 2020

我们提出了一种将强大的上下文表示模块，双边多角度匹配模块和全局信息融合模块结合的新型模型，用于隐含语篇关系分类任务，并在 PDTB 数据集上比 BERT 和其他最先进系统的表现提高了约 8％，在 CoNLL 2016 数据集上提高了约 16％。我们还分析了不同模块在隐含语篇关系分类任务中的有效性，并展示了不同表示学习层次如何影响结果。

Apr, 2020

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

该研究通过自动计算句法分析树上的分布式含义表示来进行话语关系预测，包括实体提及之间的链接，并在预测 Penn 话语树库中的隐式话语关系时实现了显著改进。

Nov, 2014