Top-down Diskursparsung mittels Sequenzmarkierung

Wir stellen einen top-down-Ansatz für die Diskursparsung vor, der konzeptionell einfacher ist als seine Vorgänger (Kobayashi et al., 2020; Zhang et al., 2020). Indem wir die Aufgabe als Sequenzmarkierungsproblem formulieren, bei dem das Ziel darin besteht, ein Dokument iterativ in einzelne Diskurs-Einheiten zu segmentieren, können wir den Dekoder eliminieren und den Suchraum für Spaltstellen erheblich verkleinern. Wir untersuchen sowohl traditionelle rekurrente Modelle als auch moderne vortrainierte Transformer-Modelle für diese Aufgabe und führen zusätzlich einen neuen dynamischen Oracle für den top-down-Ansatz ein. Auf Basis der Full-Metrik erreicht unser vorgeschlagener LSTM-Modell eine neue State-of-the-Art-Leistung für die RST-Parsung.