对话中话语解析与主题分割的无监督互学习
计算与语言
2025-02-25 v4
摘要
在对话系统中，话语在管理对话焦点和协调交互中起着关键作用。它包含两个关键结构：修辞结构和主题结构。前者捕捉对话的逻辑流程，后者检测主题之间的转换。它们共同提高了对话系统跟踪对话动态和生成上下文相关高质量响应的能力。这些结构通常分别通过话语解析和主题分割来识别。然而，现有的监督方法依赖于昂贵的人工标注，而无监督方法通常专注于单一任务，忽视了修辞结构和主题结构之间的深层语言相互作用。为解决这些问题，我们首先引入了一个统一表示，整合了修辞结构和主题结构，确保它们之间的语义一致性。在统一表示下，我们进一步提出了基于话语理论的两个语言学假设：（1）局部话语耦合，其中修辞线索动态增强主题感知的信息流；（2）全局拓扑约束，其中主题结构模式概率性地约束修辞关系分布。基于统一表示和两个假设，我们提出了一个无监督互学习框架（UMLF），联合建模修辞和主题结构，使它们能够相互增强，无需额外标注。我们在两个修辞数据集和三个主题分割数据集上评估了我们的方法。实验结果表明，我们的方法超越了所有基于预训练语言模型的强基线。此外，当应用于LLM时，我们的框架取得了显著改进，证明了其在改进话语结构建模方面的有效性。
引用
@article{arxiv.2405.19799,
title = {Unsupervised Mutual Learning of Discourse Parsing and Topic Segmentation in Dialogue},
author = {Jiahui Xu and Feng Jiang and Anningzhe Gao and Luis Fernando D'Haro and Haizhou Li},
journal= {arXiv preprint arXiv:2405.19799},
year = {2025}
}