Constrained Multi-Layer Contrastive Learning for Implicit Discourse Relationship Recognition
Soochow University（苏州大学）；Meituan（美团）
针对隐式篇章关系识别中多层网络判别能力不同的问题，提出约束多层对比学习方法，通过标签和实例中心的监督对比学习增强表示，并约束高层对比损失小于低层，在PDTB基准上显著提升了多分类和二分类性能。
2024-09-07 cs.CL
Implicit Discourse Relation Classification For Nigerian Pidgin
Saarland University（萨尔大学）
针对尼日利亚皮钦语资源匮乏问题，本文比较了翻译回标与合成语料训练两种隐式话语关系分类方法，发现原生分类器在4-way和11-way任务上F1分别提升13.27%和33.98%。
2024-11-03 cs.CL
Implicit Causality-biases in humans and LLMs as a tool for benchmarking LLM discourse capabilities
Bielefeld University（比勒费尔德大学）
本文通过对比人类与不同规模LLM在隐含因果动词上的话语偏差表现，提出将话语偏差作为评估LLM话语理解能力的基准，发现仅大型单语模型在共指上接近人类，而连贯与指称表达方面存在差异。
2025-01-22 cs.CL
Improving Implicit Discourse Relation Recognition with Natural Language Explanations from LLMs
本文通过利用LLMs生成的自然语言解释提升隐含话语关系识别的性能和可解释性。
2026-02-25 cs.CL
Multi-Lingual Implicit Discourse Relation Recognition with Multi-Label Hierarchical Learning
Computational Linguistics at Concordia (CLaC) Laboratory（康科迪亚大学计算语言学实验室）；Department of Computer Science and Software Engineering（计算机科学与软件工程系）；Concordia University（康科迪亚大学）
本文提出首个多语言多标签隐式篇章关系识别模型 HArch，利用 PDTB 3.0 层次语义依赖，在 DiscoGeM 语料上超越 GPT-4o 等大模型并取得 SOTA 结果。
2025-08-28 cs.CL
Prompting Implicit Discourse Relation Annotation
Saarland University（萨尔大学）；Utrecht University（乌得勒支大学）
本研究探讨多种提示技术以提升ChatGPT在隐式话语关系分类中的表现，但实验显示即使分解任务和复杂提示，准确率仍无显著提升，表明该任务在零样本或少样本下尚难解决。
2024-02-07 cs.AI cs.CL
Prompt-based Logical Semantics Enhancement for Implicit Discourse Relation Recognition
Beijing Institute of Technology（北京理工大学）
本文提出基于提示的逻辑语义增强方法 PLSE，通过连接词预测注入篇章关系知识，并利用互信息最大化自监督目标弥补 MLM 全局语义不足，在 PDTB 2.0 和 CoNLL16 上取得优于现有模型的稳定性能。
2023-11-01 cs.AI cs.CL
AI systems and the reproduction of (standard) language ideologies in World Englishes
本文探讨AI系统如何再生产世界英语领域的（标准）语言意识形态，以“标准化悖论”为例分析争议，主张采用更具包容性的AI设计方法。
2026-07-31 cs.CL
Guardians of Discourse: Evaluating LLMs on Multilingual Offensive Language Detection
School of AI and Advanced Computing, Xi’an Jiaotong-Liverpool University（西交利物浦大学人工智能与先进计算学院）；School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西交利物浦大学先进技术学院）；College of Computer Science and Technology, Zhejiang University of Technology（浙江工业大学计算机科学与技术学院）；Australian Artificial Intelligence Institute, University of Technology Sydney（悉尼科技大学澳大利亚人工智能研究所）
本文首次在英、西、德三种语言上系统评估GPT-3.5、Flan-T5和Mistral在单语及多语言冒犯性语言检测中的表现，并分析提示语言、翻译数据增强及模型与数据偏见对敏感主题误判的影响。
2024-10-21 cs.CL
DiscoSign: Discourse-Aware Text to Sign Language Gloss Translation
Apple（苹果公司）；Northeastern University（东北大学）；Gallaudet University（加劳德特大学）
本研究提出基于LLM的DiscoSign框架，解决手语翻译中的空间共指等三个篇章现象，配套新评估指标，在数据集上显著提升空间一致性，建立首个篇章级手语gloss翻译系统框架
2026-09-03 cs.CL
Cultural Adaptation in Large Language Models for Political Discourse
Northwestern University in Qatar（卡塔尔西北大学）
本文探讨大型语言模型在政治话语分析中的文化适应问题，提出通过翻译、话语和本体层面的形式化框架及评估矩阵，确保跨文化部署的可靠性和民主安全性。
2026-05-22 cs.CL
DiscoTrack: A Multilingual LLM Benchmark for Discourse Tracking
Georgetown University（乔治城大学）
DiscoTrack是一个覆盖12种语言、四个话语理解层级的LLM基准，用于评估跨句、跨段和跨说话人的隐式信息整合与语用推理能力，实验表明这些任务对当前最先进模型仍具挑战性。
2025-11-08 cs.CL
Can Large Language Models Handle Discourse Particles? A Case Study of Colloquial Malay
Nanyang Technological University（南洋理工大学）；University of Mississippi（密苏里大学）；Indiana University（印第安纳大学）
本文通过构建MalayPrag基准和提出五个属性，系统评估并改进了大型语言模型在口语马来语中处理话语标记的能力。
2026-09-02 cs.CL
Assessing LLM Reasoning Through Implicit Causal Chain Discovery in Climate Discourse
Department of Computer Science, KU Leuven（卢森堡大学计算机科学系）；Institute of Argumentation, Linguistics, and Semiotics (IALS)（论证、语言学与象征学研究所）
本文通过隐含因果链发现任务评估 LLM 的因果推理能力，发现其生成的因果步骤数量和粒度存在差异，但主要依赖关联模式匹配而非真实因果推理。
2026-03-18 cs.AI cs.CL
Understanding the Sociocultural Dimensions of Mental Health Discourse in Arabic-Language X Communities
King Saud University（沙特国王大学）；Cairo University（开罗大学）；Carnegie Mellon University（卡内基梅隆大学）
通过GPT-4.1识别个人披露的推特用户，分析边缘型人格障碍、双相障碍和ADHD相关话语，发现不同病症的词汇模式差异，提出可复用的LLM辅助披露流程和文化关键词框架。
2026-06-06 cs.CL
From Persona to Person: Enhancing the Naturalness with Multiple Discourse Relations Graph Learning in Personalized Dialogue Generation
Department of Computer Science（计算机科学系）；Information Engineering, National Cheng Kung University, Taiwan（信息工程系，国立云林科技大学，台湾）；Department of Computer Science, National Tsing Hua University, Taiwan（计算机科学系，国立清华大学，台湾）
针对个性化对话生成中回复需兼顾连贯性与人设一致性的挑战，提出MUDI方法，借助大语言模型构建对话图、用DialogueGAT捕捉话语关系，并通过连贯感知注意力提升生成质量，使回复更自然类人。
2025-06-13 cs.CL
ChatGPT Evaluation on Sentence Level Relations: A Focus on Temporal, Causal, and Discourse Relations
HKUST（香港科技大学）；HKUST (GZ)（香港科技大学（广州））
该研究通过三种提示模板在11个数据集上评估ChatGPT的句间关系识别能力，首次建立相关任务基线，发现其因果关系推理强、时序与隐式话语关系及对话话语解析表现较弱。
2024-01-26 cs.CL
How Does Pretraining Improve Discourse-Aware Translation?
University of Macau（澳门大学）；Tencent AI Lab（腾讯人工智能实验室）
本文通过探测任务分析预训练语言模型捕捉语篇关系知识的能力，并结合IWSLT2017中英口语翻译实验，揭示了不同架构和层级PLMs对语篇感知翻译的影响规律。
2023-05-31 cs.AI cs.CL
Zero-shot Chinese Discourse Dependency Parsing via Cross-lingual Mapping
Peking University（北京大学）；Peng Cheng Laboratory（鹏城实验室）
由于缺乏标记数据，语篇分析在某些语言中仍然具有挑战性。本文提出了一种利用英语语篇标注数据和句法分析技术进行zero-shot中文文本级依存句法分析的方法。首先从句子和基本话语单位（EDU）两个层面构建汉英映射，然后利用对应英文译文的句法分析结果构建中文文本的话语树。该方法不需要大规模的中文标注数据，就能自动进行汉语篇章分析。
2019-11-27 cs.CL
DisSim: A Discourse-Aware Syntactic Text Simplification Frameworkfor English and German
University of St.Gallen（圣加仑大学）；University of Passau（帕绍大学）；University of Manchester（曼彻斯特大学）
我们介绍了DisSim，一个话语意识的句子分裂框架，英语和德语，其目标是转换成一个中间表示，提出了一个简单的，更规则的结构，更容易处理的下游语义应用句法复杂的句子。为此，我们把输入的句子成一个两层的语义层次结构的形式的核心事实和伴随的上下文，同时确定它们之间的修辞关系。通过这种方式，我们保留了输入的连贯性结构，从而保留了其对下游任务的可解释性。
2019-09-26 cs.CL
Implicit Cross-Lingual Rewarding for Efficient Multilingual Preference Alignment
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Wuhan AI Research（武汉人工智能研究院）
本文提出隐式跨语言奖励方法，从英语DPO对齐模型中提取隐式奖励模型并标注跨语言偏好数据，再通过多语言DPO微调将偏好知识迁移到其他语言，在X-AlpacaEval上显著提升多语言对齐效果并减少对多语言偏好数据的需求。
2025-06-05 cs.AI cs.CL
Improving Implicit Discourse Relation Classification by Modeling Inter-dependencies of Discourse Units in a Paragraph
Texas A&M University（得克萨斯农工大学）
我们认为句子或小句的语义不能独立于段落的其他部分，或独立于所有的话语关系和整个段落层面的话语结构来解释。为了提高隐含语篇关系分类的准确性，我们引入了一个段落级的神经网络，该网络可以对语篇单元之间的相互依赖关系、语篇关系的连续性和模式进行建模，并预测一个段落中的语篇关系序列。实验结果表明，我们的模型优于以前的国家的最先进的系统上的基准语料的PDTB。
2018-04-16 cs.CL
The FRENK Datasets of Socially Unacceptable Discourse in Slovene and English
Jožef Stefan Institute（约瑟夫·斯特凡研究所）；University of Ljubljana（卢布尔雅那大学）
在本文中，我们提出了数据集的Facebook评论线程主流媒体的帖子在斯洛文尼亚和英语开发的斯洛文尼亚国家项目FRENK内，其中包括两个主题，移民和LGBT，并手动注释为不同类型的社会不可接受的话语（SUD）。与现有数据集相比，这些数据集的主要优点是相同的采样程序，产生跨语言的可比数据和注释模式，该模式考虑到六种类型的SUD和SUD针对的五个目标。我们描述了采样和注释过程，并分析了注释分布和注释者之间的协议。我们认为这个数据集是理解和对抗两种语言SUD的重要里程碑。
2019-06-13 cs.CL
GDTB: Genre Diverse Data for English Shallow Discourse Parsing across Modalities, Text Types, and Domains
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Georgetown University（乔治城大学）
针对现有英语浅层话语解析数据集不公开、领域单一且老旧的问题，本文提出基于UD English GUM语料库的开放多体裁PDTB风格基准GDTB，实验验证其与PDTB兼容，且联合训练可缓解跨领域性能下降。
2024-11-01 cs.CL
Evaluating Document Coherence Modelling
The University of Melbourne（墨尔本大学）；AI Lab at ByteDance（字节跳动AI实验室）
虽然预训练的语言模型（“LM”）在形态句法和语义任务上取得了令人印象深刻的进展，但它们对话语和语用现象建模的能力却不太清楚。作为更好地了解他们的话语建模能力的一步，我们提出了一个句子入侵检测任务。我们研究了广泛的预训练LM在英语检测任务上的表现。由于缺乏用于该任务的数据集，我们引入了INSteD，这是一种新颖的入侵者句子检测数据集，包含从英文维基百科和CNN新闻文章构建的170，000多个文档。我们的实验表明，预训练的LM在域内评估中表现令人印象深刻，但在跨域设置中出现大幅下降，表明泛化能力有限。在一个新的语言探针数据集上的进一步结果表明，有很大的改进空间，特别是在跨域设置。
2021-03-18 cs.AI cs.CL
Is It JUST Semantics? A Case Study of Discourse Particle Understanding in LLMs
Linguistics, The University of Texas at Austin（德克萨斯大学奥斯汀分校语言学系）；Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）；Allen Institute for AI（人工智能研究院）；University of Washington（华盛顿大学）
本文通过专家标注数据研究大语言模型区分英语“just”细粒度语义的能力，发现模型虽能区分宽泛类别但难以捕捉细微差别，揭示了其在话语小品词理解上的不足。
2025-06-05 cs.AI cs.CL
Neural Network Models for Implicit Discourse Relation Classification in English and Chinese without Surface Features
Yelp（Yelp公司）；University of Saarland（萨尔大学）；Brandeis University（布兰迪斯大学）
从自然语言文本中推断隐含的语篇关系是语篇分析中最困难的子任务。表面特征取得了良好的性能，但它们不容易适用于其他语言没有语义词典。以前的神经模型需要解析、表面特征或小标签集才能正常工作。在这里，我们提出了神经网络模型，是基于前馈和长短期记忆架构没有任何表面特征。令我们惊讶的是，尽管进行了彻底的调整，但在大多数情况下，我们最佳配置的前馈架构的性能仍优于基于LSTM的模型。在各种细粒度的标签集和跨语言设置下，我们的前馈模型的性能始终更好，或者至少与需要手工制作的表面特征的系统一样好。我们的模型提出了第一个神经汉语语篇分析器在风格的汉语语篇树库，表明我们的结果持有跨语言。
2016-06-07 cs.CL
Extending Implicit Discourse Relation Recognition to the PDTB-3
University of Edinburgh（爱丁堡大学）
PDTB-3包含了比前一个PDTB-2更多的隐性话语关系。这部分是因为隐含的关系现在已经被注释在句子内以及句子之间。此外，有些现在与明确的话语关系共现，而不是单独出现。在这里，我们表明，虽然这可能会复杂的问题，确定隐含的话语关系的位置，它可以反过来简化的问题，确定其意义。我们目前的数据来支持这一主张，以及方法，可以作为一个非平凡的基线，为未来国家的最先进的识别器隐式话语关系。
2020-10-13 cs.CL
GCDT: A Chinese RST Treebank for Multigenre and Multilingual Discourse Parsing
Georgetown University（乔治城大学）
由于缺乏大规模人工标注数据，汉语层次语篇分析受到了限制。本文在修辞结构理论的框架下，提出了最大的汉语层次语篇树库GCDT。GCDT涵盖了五种类型的免费文本中超过6万个标记，使用与当代英语树库相同的关系库存。我们还报告了这个数据集的解析实验，包括最先进的（SOTA）得分为中文的GUM数据集和中文的GUM数据集，使用跨语言的训练，在中文和英文的多语言嵌入。
2022-10-19 cs.CL
Shallow Discourse Annotation for Chinese TED Talks
Tianjin University（天津大学）；University of Edinburgh（爱丁堡大学）
标注了语言相关属性的文本语料库是语言技术发展的重要资源。目前的工作为中文语言技术和中英翻译提供了一个新的资源，以一组TED演讲的形式（一些最初是用英语给出的，一些是中文），这些演讲已经以Penn Discourse TreeBank的风格用话语关系进行了注释，适应了中文文本中不存在的属性。该资源是目前唯一的注释话语级属性计划的口头独白，而不是书面文本。一个注释者之间的协议研究表明，注释方案是能够实现高度可靠的结果。
2020-04-06 cs.CL
Role Semantics for Better Models of Implicit Discourse Relations
Saarland University（萨尔大学）
预测话语的结构是具有挑战性的，因为话语片段之间的关系往往是隐含的，因此很难通过计算来区分。我扩展了以前的工作，通过引入一套新的功能语义角色的水平上的隐性话语关系进行分类。我的研究结果表明，这些功能是有帮助的，产生的结果与其他功能丰富的方法在PDTB上的竞争。我的主要贡献是分析了可以追溯到基于角色的功能的改进，提供了关于角色语义为什么以及何时有用的见解。
2018-08-24 cs.CL
Learning to Explicitate Connectives with Seq2Seq Network for Implicit Discourse Relation Classification
Dept. of Language Science and Technology（语言科学与技术系）；Saarland University（萨尔兰大学）
隐含语篇关系分类是语篇分析中最困难的步骤之一。难点在于连贯关系必须根据语篇关系论元的内容来推断。因此，一个有效的编码的关系参数是至关重要的。我们在这里提出了一个新的模型隐式话语关系分类，它包括一个分类器，和一个序列到序列模型，该模型被训练来生成一个表示的话语关系参数，试图预测的关系参数，包括一个合适的隐式连接。训练是可能的，因为这样的隐含连接词已经被注释为PDTB语料库的一部分。与记忆网络一起，我们的模型可以为任务生成更精细的表示。在现在标准的11路分类上，我们的方法在包括交叉验证在内的多种设置下的PDTB基准测试中优于以前最先进的系统。
2019-04-02 cs.CL
Automatic Disambiguation of French Discourse Connectives
Concordia University（康考迪亚大学）
话语连接词（例如，然而，因为）是可以明确表达语篇中的话语关系的术语。虽然话语联系语已被证明是自动识别话语关系的有效线索，但它们并不总是用来表达这种关系，因此首先应该在话语用法和非话语用法之间消除歧义。在本文中，我们调查的适用性提出的功能，英语话语连接词的法语消歧。我们的研究结果与法语话语树库（FDTB）表明，英语文本的句法和词汇功能开发的法语是有效的，并允许与94.2%的准确率的法语话语连接词的消歧。
2017-04-18 cs.CL
Revisiting Shallow Discourse Parsing in the PDTB-3: Handling Intra-sentential Implicits
Institute for Language, Cognition and Computation（语言、认知与计算研究所）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
在PDTB-3中，几千个隐含的话语关系被新注释了\textit{within}单个句子，增加了超过15，000个隐含的关系注释了PDTB-2中的\textit{across}相邻句子。由于这些\textit{intra-sentential implicits}的参数的位置不再像\textit{inter-sentential implicits}那样定义良好，因此话语分析器必须识别它们的位置和意义。这是目前工作的重点。本文对我们的结果进行了全面的分析，展示了不同场景下的模型性能，指出了局限性并指出了未来的发展方向。
2022-04-01 cs.CL
Acquiring Annotated Data with Cross-lingual Explicitation for Implicit Discourse Relation Classification
Saarland University（萨尔大学）
隐性语篇关系分类是语篇分析中最具挑战性和重要性的任务之一，因为缺乏连接词作为强有力的语言线索。进一步改进的一个主要瓶颈是训练数据的短缺（约~ PDTB中的16 k实例）。Shi et al.（2017）提出通过利用翻译中的连接词来获取额外的数据：人类翻译者在翻译中明确地标记源语言中隐含的话语关系。使用这种显式连接词的回译提高了话语关系分析的性能。本文讨论了翻译语言的选择是否重要，以及是否可以有效地使用多种翻译成不同的语言来提高附加数据的质量。
2019-04-15 cs.CL
Annotation-Inspired Implicit Discourse Relation Classification with Auxiliary Discourse Connective Generation
Heidelberg Institute for Theoretical Studies gGmbH（海德堡理论研究所）
针对隐式话语关系分类缺连接词的难题，受PDTB标注启发提出端到端联合模型，结合计划采样生成连接词并预测关系，在三个基准上显著优于基线。
2023-06-10 cs.CL
Prompt-based Connective Prediction Method for Fine-grained Implicit Discourse Relation Recognition
East China Normal University（华东师范大学）；Shanghai Transsion Co., Ltd.（上海传音控股股份有限公司）
由于连接词的缺乏，隐性话语关系识别（IDRR）仍然是话语分析中一项具有挑战性和关键性的任务。目前大多数的工作采用多任务学习，以帮助IDRR通过显式话语关系识别（EDRR）或利用话语关系标签之间的依赖关系来约束模型预测。但这些方法在细粒度的IDRR上仍然表现不佳，甚至在大多数Few-Shot话语关系类上完全错误识别。为了解决这些问题，我们提出了一种新的基于连接预测（PCP）的IDRR方法。我们的方法指导大规模预训练模型使用与话语关系相关的知识，并利用连接词与话语关系之间的强相关性来帮助模型识别隐含的话语关系。实验结果表明，该方法优于当前最先进的模型，并取得了显着改善那些细粒度的Few-Shot的话语关系。此外，我们的方法是能够转移到EDRR，并获得可接受的结果。我们的代码发布在https://github.com/zh-i9/PCP-for-IDRR上。
2022-10-16 cs.CL
Implicit Geographic Inference in LLM Medical Triage: Language-Driven Disparities in Emergency Recommendations
研究大型语言模型在相同症状下，仅因患者提示语言不同而产生不同的医疗分诊推荐，发现模型根据输入语言隐式推断地理位置，导致急诊推荐率差异显著。
2026-05-31 cs.AI cs.CL cs.CY
Leveraging Hierarchical Prototypes as the Verbalizer for Implicit Discourse Relation Recognition
University of Edinburgh（爱丁堡大学）
本文提出利用捕捉类别语义特征的层次化原型替代人工verbalizer进行隐式篇章关系识别，在提升性能的同时支持零样本跨语言迁移，解决了传统方法中verbalizer歧义和低资源语言适配问题。
2024-11-22 cs.CL
Let's be explicit about that: Distant supervision for implicit discourse relation classification via connective prediction
Stockholm University（斯德哥尔摩大学）
在隐性话语关系分类中，我们希望在没有任何显性话语联系语的情况下预测相邻句子之间的关系。这甚至对人类来说也是一个挑战，导致注释数据的短缺，这使得监督机器学习方法的任务更加困难。在本研究中，我们不依赖于任何标记的隐含关系进行隐性话语关系分类。我们避开了缺乏数据，通过显式的隐含关系，减少任务到两个子问题：语言建模和显式的话语关系分类，一个更容易的问题。我们的实验结果表明，这种方法甚至可以略优于国家的最先进的，尽管是简单得多的替代模型的可比性能。此外，我们还表明，所实现的性能在各个领域都是鲁棒的，正如在完全不同的领域进行的零射击（zero-shot）实验所表明的那样。这表明语言建模的最新进展已经使得语言模型在没有显式话语标记的帮助下能够足够好地捕捉句子间的关系。
2021-06-06 cs.CL
Semantic Graph Convolutional Network for Implicit Discourse Relation Classification
Beijing Institute of Technology（北京理工大学）；Pattern Recognition Center, WeChat AI, Tencent Inc（腾讯公司微信人工智能模式识别中心）
隐性语篇关系分类对于语篇分析具有重要意义，但由于缺乏表达这些关系的显性语篇联系语，隐性语篇关系分类仍然是一个具有挑战性的问题。对关系的两个参数之间的语义交互进行建模已被证明对于检测隐含的话语关系是有用的。然而，大多数以前的方法建模这样的语义交互从一个浅的交互层，这是不够的，捕捉足够的语义信息。本文提出了一种新颖有效的语义图卷积网络（SGCN），在更深层次的交互作用上增强论元间语义的建模，用于隐式话语关系分类。我们首先在两个参数的表示上构建交互图，然后通过图卷积自动提取深入的语义交互信息。在英语语料库PDTB和汉语语料库CDTB上的实验结果都证明了该模型的优越性。
2019-10-21 cs.CL
Zero-shot transfer for implicit discourse relation classification
Stockholm University（斯德哥尔摩大学）
对语篇中句子之间的关系进行自动分类是一项具有挑战性的任务，特别是在没有明显表达关系的情况下。由于带注释的训练数据仅存在于少数语言（例如英语和中文）的事实，这变得更具挑战性。我们提出了一个新的系统，使用zero-shot迁移学习隐式话语关系分类，其中唯一的资源用于目标语言是未注释的平行文本。该系统的话语注释TED-MDB并行语料库上进行了评估，在那里它获得了良好的效果，所有七种语言使用英语训练数据。
2019-07-30 cs.CL
Disentangling Singlish Discourse Particles with Task-Driven Representation
University of Edinburgh（爱丁堡大学）；Carnegie Mellon University（卡内基梅隆大学）
本研究提出一种任务驱动表示学习方法，通过解构新加坡英语话语助词并进行聚类与机器翻译，为理解其语用功能提供了计算方法。
2024-10-16 cs.CL
Scope of Large Language Models for Mining Emerging Opinions in Online Health Discourse
Dartmouth College（达特茅斯学院）
该研究提出LLM驱动的在线健康社区新兴观点挖掘框架，将其建模为Reddit帖文标题-评论对的成对立场检测问题，发布长新冠主题的LC-stance数据集，验证GPT-4零样本立场检测性能更优，并分析模型误差来源。
2024-03-05 cs.CL cs.SI
Unsupervised Adversarial Domain Adaptation for Implicit Discourse Relation Classification
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
隐性话语关系比显性话语关系更难分类，也更难诠释。我们解决了缺乏隐式关系训练数据的情况，并从显式关系中利用领域自适应（Ji et al.，2015年）。我们提出了一个无监督的对抗域自适应网络，配备了重建组件。我们的系统优于以前的作品和其他对抗基准的无监督领域自适应。此外，我们扩展我们的系统，以利用标记的数据，如果有的话。
2020-04-15 cs.CL
On the Importance of Word and Sentence Representation Learning in Implicit Discourse Relation Classification
The Hong Kong University of Science and Technology（香港科技大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
隐性语篇关系分类是浅层语篇分析中最困难的部分之一，因为在没有显性连接词的情况下进行关系预测需要在语篇跨度和句子两个层面上进行语言理解。以往的研究主要集中在两个参数之间的相互作用。我们认为，一个强大的语境化表征模块，双边多视角匹配模块，和一个全球性的信息融合模块都是重要的隐式话语分析。我们提出了一个新的模型，将这些模块结合在一起。大量的实验表明，我们提出的模型在PDTB数据集上的性能优于BERT和其他最先进的系统约8%，在CoNLL 2016数据集上的性能优于约16%。我们还分析了内隐话语关系分类任务中不同模块的有效性，并展示了不同水平的表示学习如何影响结果。
2020-04-28 cs.CL
When People are Floods: Analyzing Dehumanizing Metaphors in Immigration Discourse with Large Language Models
University of Maryland（马里兰大学）；University of Michigan（密歇根大学）
本文利用大型语言模型分析移民话语中的去人性化隐喻，探讨隐喻、政治意识形态与用户参与之间的关系。
2025-07-18 cs.CL cs.CY
Multilingual Extraction and Recognition of Implicit Discourse Relations in Speech and Text
Uppsala University（乌普萨拉大学）；IT University of Copenhagen（哥本哈根信息技术大学）
本文提出了一种多模态方法，通过整合文本和音频信息，实现多语言隐含语篇关系的跨语言迁移和识别。
2026-02-04 cs.CL
Cross-lingual RST Discourse Parsing
University of Copenhagen（哥本哈根大学）；CNRS（法国国家科学研究中心）；Univ Paris Diderot（巴黎狄德罗大学）
语篇分析是理解文档中的信息流和论证结构的一个组成部分。以往的研究主要集中在对英语语篇树库中的模式进行归纳和评价。然而，其他语言的话语树库也存在，包括西班牙语、德语、巴斯克语、荷兰语和巴西葡萄牙语。树库共享相同的基本语言学理论，但在文档注释的方式上略有不同。在本文中，我们提出了（a）一个新的话语分析器，这是更简单的，但有竞争力的（显着更好的2/3的指标），以最先进的英语，（b）跨语言的话语树库的协调，使我们能够提出（c）什么是我们所知道的最好的是跨语言话语分析的第一个实验。
2017-01-11 cs.CL
An Analysis of Sentential Neighbors in Implicit Discourse Relation Prediction
The University of Colorado, Boulder（科罗拉多大学博尔德分校）
针对隐式话语关系预测仅依赖目标相邻句忽略更广上下文的问题，提出三种融入上下文的新方法，发现引入超单个话语单元的上下文会损害分类效果。
2024-05-17 cs.CL
Implicit Discourse Relation Identification for Open-domain Dialogues
The Chinese University of Hong Kong（香港中文大学）；University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）
语篇关系识别是一个活跃的研究领域，但在开放领域的对话系统中，隐性关系识别仍然是一个尚未解决的问题。以前的工作主要依赖于正式文本的语料库，这些语料库本质上是非对话的，即，新闻和期刊。然而，这些数据不适合处理非正式对话的细微差别，也不能够浏览开放域对话中存在的过多有效主题。在本文中，我们设计了一种新的话语关系识别管道专门针对开放域对话系统。我们首先提出了一种方法来自动提取隐含的话语关系参数对和标签的数据集的对话轮，从而在一个新的语料库的话语关系对，第一次尝试识别的话语关系连接的对话轮在开放域的话语。此外，我们已经采取了第一步，利用我们的任务所特有的对话功能，通过执行功能消融和纳入对话功能来增强最先进的模型，进一步提高对这种关系的识别。
2019-07-09 cs.CL
A Survey of Implicit Discourse Relation Recognition
Huazhong University of Science and Technology（华中科技大学）
包含一个或多个句子的话语描述日常问题和事件，供人们交流思想和观点。由于句子通常是由多个语篇片段组成的，正确理解语篇的主题必须考虑语篇片段之间的关系。虽然有时在原始文本中存在连接词来表达关系，但更多的情况是两个文本片段之间不存在连接词，但它们之间存在某种隐含的关系。隐性话语关系识别的任务是在两个没有连接词的文本片段之间发现隐含的关系并对其意义进行分类。事实上，IDRR任务是重要的下游自然语言处理任务，如文本摘要，机器翻译等。本文提供了一个全面的和最新的调查IDRR任务。我们首先总结了该领域广泛使用的任务定义和数据源。我们从IDRR任务的发展历史的角度对IDRR任务的主要解决方案进行了分类。在每个解决方案类别中，我们介绍并分析了最具代表性的方法，包括它们的起源，想法，优点和缺点。我们还提出了这些解决方案的性能比较实验上的公共语料库与标准的数据处理程序。最后，我们讨论了话语关系分析的未来研究方向。
2022-03-06 cs.CL
Implicit Premise Generation with Discourse-aware Commonsense Knowledge Models
Columbia University（哥伦比亚大学）；Georgia Tech（佐治亚理工学院）
推理论证被定义为一个前提或结论是隐含的论点。我们处理的任务，产生隐含的前提推理，这不仅需要一个既定的结论和前提的理解，但也可以依赖于常识知识的额外推理。推理迷因的最大可用数据集（Habernal等人，2018）由1.7k个样本组成，这不足以训练神经文本生成模型。为了解决这个问题，我们利用了一个类似的任务和数据集：叙事文本中的溯因推理（Bhagavatula等人，2020年）。然而，我们表明，简单地使用一个国家的最先进的seq2seq模型微调这些数据可能不会产生有意义的隐式前提与给定的推理。我们证明了在微调过程中对话语感知常识进行编码可以提高生成的隐式前提的质量，并且在三个不同数据集的自动和人工评估中优于所有其他基线。
2021-09-11 cs.CL
Machine-Facing English: Defining a Hybrid Register Shaped by Human-AI Discourse
ddai Inc.（ddai公司）
本研究基于语体理论定义了由人机交互塑造的面向机器的英语（MFE）语体，揭示了其提升机器解析度但压缩表达范围的五大特征，并指出其在界面设计与多语言教学上的挑战。
2025-05-29 cs.CL
