Konversationsdiskursstrukturen zielen darauf ab, die Organisation eines Dialogs zu beschreiben, wodurch sie bei der Verständnis und Generierung von Dialogen hilfreich sind. Diese Arbeit konzentriert sich auf die Vorhersage von Diskursabhängigkeitsstrukturen in Mehrparteien-Dialogen. Bisherige Ansätze setzen inkrementelle Methoden ein, die Merkmale aus bereits vorhergesagten Diskursrelationen nutzen, um die nächste Relation zu generieren. Obwohl die wechselseitigen Korrelationen zwischen den Vorhersagen berücksichtigt werden, stellen wir fest, dass die Fehlerfortpflanzung dabei sehr stark ist und die Gesamtleistung beeinträchtigt. Um die Fehlerfortpflanzung zu mildern, schlagen wir ein Struktur-selbstbewusstes (Structure Self-Aware, SSA) Modell vor, das ein neuartiges kantenbasiertes Graph Neural Network (GNN) verwendet, um die Informationen zwischen jeweils paarweisen Elementaren Diskurs-Einheiten (Elementary Discourse Units, EDUs) schichtweise zu aktualisieren, sodass ausdrucksstarke Darstellungen gelernt werden können, ohne auf historische Vorhersagen angewiesen zu sein. Zudem integrieren wir ergänzende Trainingssignale (z. B. Struktur-Distillation), um die Darstellungslernung zu verbessern. Unser Modell erreicht neue Sollbruchstellen auf zwei Benchmarks für conversational discourse Parsing und übertrifft die bisherigen Methoden deutlich.