摘要
对话话语结构旨在描述对话的组织方式，因此在对话理解与回复生成任务中具有重要意义。本文聚焦于多参与者对话中话语依赖结构的预测问题。以往的研究多采用增量式方法，利用已预测的话语关系特征来辅助生成后续关系。尽管此类方法考虑了预测结果之间的相互关联，但我们发现错误传播问题十分严重，严重影响了整体性能。为缓解这一问题，本文提出一种结构自感知（Structure Self-Aware, SSA）模型，该模型采用一种新颖的以边为中心的图神经网络（Edge-centric Graph Neural Network, GNN），逐层更新每对基本话语单元（Elementary Discourse Unit, EDU）之间的信息表示，从而在不依赖历史预测的前提下学习到更具表达力的语义表示。此外，我们引入辅助训练信号（如结构蒸馏）以进一步提升表示学习效果。实验结果表明，该模型在两个对话话语结构解析基准数据集上均取得了新的最先进性能，显著优于现有方法。