- ACL隐含话语关系识别的多标签分类
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。
- EMNLP基于提示的逻辑语义增强的隐含篇章关系识别
通过 Prompt-based 连接词预测将与话语关系相关的知识无缝地注入到预训练语言模型中，提出了 Prompt-based Logical Semantics Enhancement（PLSE）方法，使其能够轻松获取逻辑语义的丰富特征， - 隐式篇章关系识别中的自适应提示学习与精炼连结知识
AdaptPrompt 是一种连续版本的提示学习方法，结合连接性知识蒸馏，在减少手动设计的同时进一步提高性能，采用了虚拟令牌、梯度搜索和答案关系映射等技术实现。
- 有歧义的语篇标记和交织关系的分布式标记表示
通过学习分布式标记表示以及潜在的语篇感，实现了对句子对之间的标记和语段信息的联系，具备自动学习和解释性强的特点，并在隐式语篇关系识别任务中达到了 SOTA 效果。
- 任务引导提示学习在隐式话语关系识别中的应用
该研究提出了一种称为 TEPrompt 的任务启示式预测学习模型，通过融合三个相关任务的学习特征来识别不明确文本间关系，实验结果表明，TEPrompt 在 IDRR 中表现优于 ConnPrompt，并且能够通过辅助任务的联合训练来提高决策 - EMNLP通过利用感知关系的层次结构促进话语关系意义的对比学习
利用层次化结构和对比学习技术来提高隐式篇章关系识别的性能。
- 全局和局部基于层级感知的对比框架在隐式篇章关系识别中的应用
提出了一种新颖的全局和本地层次感知对比框架（GLOF），以通过对比学习来建模两种层次。该方法在 PDTB 数据集上显着优于当前最先进的模型，解决了暗示性篇章关系识别 (IDRR) 在篇章分析中的难题。
- EMNLP一种基于提示的细粒度隐式对话关系识别方法
探索利用连接词预测来解决隐含语篇关系识别 (IDRR) 的问题。该方法使用预训练模型，并利用连接词和语篇关系之间的强相关性来帮助模型识别隐含语篇关系，同时对于 fine-grained few-shot 语篇关系中取得了优异成果。
- 隐含式篇章关系识别调查
本调查研究提供了隐含话语关系识别（IDRR）任务的全面和最新发展情况，包括任务定义、数据源、解决方案及其性能比较，并讨论了该领域的未来研究方向。
- AAAI一种标签依赖感知的多层隐性语篇关系识别序列生成模型
本研究提出了一种标签依赖的序列生成模型，对多层次的隐式话语关系识别进行条件化标签序列生成，实现全局和局部与标签相关的表示，利用自下而上和自上而下的相互学习方法提高建模性能。
- COLING深度增强表示法用于隐式语篇关系识别
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。
- EMNLP变分神经话语关系识别器
本文提出 VarNDRR，这是一种基于生成模型的变分神经篇章关系识别器。与现有的使用强大手工特征或深度篇章表示的判别模型不同，VarNDRR 建立了一个具有潜在连续变量的有向概率模型，用于生成篇章和篇章两个论点之间的关系。通过利用神经篇章关