Inférence globale avec des structures syntaxiques et discursives explicites pour l'extraction de relations au niveau du dialogue

Les recherches récentes sur l’extraction de relations se sont concentrées sur le cadre dialogique, c’est-à-dire l’extraction de relations au niveau du dialogue (DiaRE). Les méthodes actuelles de DiaRE consistent généralement à concaténer simplement les énoncés d’un dialogue en un seul texte long, ou à construire des graphes dialogiques à l’aide de mots, de phrases ou d’entités naïfs, sans exploiter pleinement les caractéristiques structurelles propres aux dialogues. Dans ce travail, nous proposons un nouveau graphe mixte de dépendance au niveau du dialogue (D2G) et un graphe de raisonnement argumentatif (ARG), intégrés dans un mécanisme de raisonnement relationnel global. Premièrement, nous modélisons l’ensemble du dialogue sous la forme d’un graphe D2G unifié et cohérent, en intégrant explicitement à la fois les structures syntaxiques et discursives, ce qui permet une apprentissage sémantique et de caractéristiques plus riche pour l’extraction de relations. Deuxièmement, nous superposons un graphe ARG au-dessus du D2G afin de renforcer l’apprentissage des dépendances inter-argumentatives et la raffinement de la représentation des arguments, favorisant ainsi une inférence relationnelle argumentative suffisamment approfondie. Dans notre cadre de raisonnement global, le D2G et l’ARG coopèrent de manière itérative, échangeant et apprenant conjointement des informations lexicales, syntaxiques et sémantiques sur l’ensemble du contexte dialogique. Sur deux benchmarks de DiaRE, notre cadre montre des améliorations significatives par rapport aux meilleures méthodes actuelles. Des analyses complémentaires démontrent que le modèle résout efficacement le problème des dépendances à longue portée, tout en fournissant des prédictions explicables.