通过自动化手段实现不同注释框架的统一，对结构复杂性以及多任务学习和图形模型的应用进行探索和评估。

Apr, 2022

我们展示了讨论关系可以通过 Sanders 等人（2018）提出的一些简单的认知启发维度来有效地捕捉，通过这些维度，在框架之间传递讨论关系的知识是可能的，尽管两个框架在讨论划分上存在差异，这证明了这些维度在描述跨框架的讨论关系时的有效性，并通过消融实验揭示了不同维度对不同类型讨论关系的影响，并且我们还报告了关于这些维度的自动预测的实验结果。

Nov, 2023

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

本文提出一个新的卷积神经网络嵌入多任务学习系统，用于综合 PDTB 语料库内多个特定于每个语料库的言语分类任务，并展示实验结果表明我们的模型可以显著提高 Implicit discourse relation classification 任务的性能。

Mar, 2016

本文旨在建立一个语义依赖关系框架，并研究基于此框架的语料库进行多元语言分析，为依步性分析提供数据基础。

Jan, 2021

本论文旨在设计用于开放领域对话系统的新型话语关系识别流水线，该流水线可以自动提取隐式话语关系参数对和标签，并通过削减特征和整合对话特征等方法来提高辨识度。论文使用对话转换数据集得到了独特的话语关系对语料库，首次尝试确定开放领域对话中连接对话转换的话语关系。

Jul, 2019

在我们的工作中，我们通过探索各种多标签分类框架来处理隐含语篇关系识别，并显示多标签分类方法不会降低单标签预测的性能。此外，我们对结果和数据进行了全面的分析。我们的工作有助于推动对语篇关系的理解和应用，并为未来研究奠定基础。

Jun, 2024

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

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

基于 PDTB-3 数据集，通过对七个预训练语言模型的直接性能比较，我们的模型搜索将 SOTA 提高到了 0.671 的准确率，同时得到了一些新的观察结果，其中包括相对于之前的报道（Shi 和 Demberg, 2019b），句子级预训练目标（NSP，SBO，SOP）通常无法产生最佳性能的模型。反直觉的是，具有类似规模的 MLM 和全关注机制的 PLM 表现更好。

Jul, 2023