抽象语义和全局交互的对话关系抽取方法

为解决对话关系抽取任务中实体间关联语义信息稀疏、获取核心语义和触发线索困难等问题，提出一种新型的对话关系抽取模型。在对话文本中融入抽象语义表示来增强对话的核心语义，以解决在对话关系提取过程中出现的语义缺失和逻辑纠缠问题；引入全局对话交互机制，通过对关键线索的捕捉来改善对话中有效信息稀疏的问题；通过增加明确的结构信息来进一步丰富实体间的关系特征，使模型能够更好地理解对话文本。实验结果表明：相较于基线模型BERTs,文中提出的模型在数据集DialogRE上的F₁和F_1C分别提升了5.5%和6.2%;相比于序列模型CNN、LSTM和BiLSTM,在对话关系抽取中准确率提高9%以上，效果显著。文中模型在复杂对话场景中的泛化能力更好，鲁棒性更强。