摘要
近年来，关系抽取研究的关注点逐渐转向对话场景，即对话级关系抽取（Dialogue-level Relation Extraction, DiaRE）。现有的DiaRE方法通常仅将对话中的话语简单拼接成一段长文本，或基于简单的词、句子或实体构建对话图结构，未能充分挖掘对话固有的结构特性。针对这一问题，本文提出一种新颖的对话级混合依存图（Dialogue-level Mixed Dependency Graph, D2G）与论据推理图（Argument Reasoning Graph, ARG），并引入全局关系推理机制，以提升DiaRE性能。首先，我们通过显式融合句法结构与话语结构，将整个对话建模为统一且连贯的D2G，从而为关系抽取提供更丰富的语义表征与特征学习能力。其次，在D2G之上叠加ARG图结构，进一步聚焦于论据间的相互依赖关系建模与论据表征的精细化，以支持充分的论据关系推理。在所提出的全局推理框架中，D2G与ARG协同工作，通过迭代方式进行词汇、句法与语义信息的交换与表征学习，覆盖整个对话上下文。在两个DiaRE基准数据集上的实验结果表明，所提框架显著优于当前最优基线方法。进一步的分析显示，该模型有效缓解了长距离依赖问题，同时能够生成具有可解释性的预测结果。