다자 대화에서 연속성 구문 분석을 위한 구조 자기 인식 모델

대화적 논의 구조는 대화가 어떻게 조직되어 있는지를 설명하는 것을 목표로 하며, 이는 대화 이해 및 응답 생성에 유용하다. 본 논문은 다자 대화의 논의 종속 구조를 예측하는 데 초점을 맞춘다. 기존 연구들은 이미 예측된 논의 관계의 특징을 활용하여 다음 관계를 생성하는 증분적 방법을 채택하고 있다. 비록 예측 간의 상호 상관관계를 고려하고 있지만, 오류 전파 문제도 심각하여 전체 성능에 악영향을 미친다는 점을 발견하였다. 오류 전파를 완화하기 위해, 우리는 구조 자체 인식(Structure Self-Aware, SSA) 모델을 제안한다. 이 모델은 각 기본 논의 단위(Elementary Discourse Unit, EDU) 쌍 간의 정보를 계층적으로 업데이트하기 위해 새로운 엣지 중심의 그래프 신경망(Graph Neural Network, GNN)을 도입하여, 과거 예측에 의존하지 않고도 표현력 있는 표현을 학습할 수 있도록 한다. 또한, 더 나은 표현 학습을 위해 보조 학습 신호(예: 구조 디스틸레이션)를 활용한다. 제안한 모델은 두 개의 대화적 논의 구문 분석 벤치마크에서 새로운 최고 성능을 달성하며, 기존 방법들에 비해 크게 우수한 성능을 보였다.