[论文解读] A PDTB-Styled End-to-End Discourse Parser

Ziheng Lin, Hwee Tou Ng+1 more|arXiv (Cornell University)|Nov 3, 2010

Natural Language Processing Techniques参考文献 16被引用 32

一句话总结

本论文提出了首个端到端的PDTB风格篇章关系解析器，采用流水线架构联合建模篇章关系分类、论据跨度检测和归属标注。在完整篇章解析任务中，部分匹配F₁得分为46.80%，精确匹配F₁得分为33.00%，显著优于基线方法在隐含和显式关系上的表现。

ABSTRACT

We have developed a full discourse parser in the Penn Discourse Treebank (PDTB) style. Our trained parser first identifies all discourse and non-discourse relations, locates and labels their arguments, and then classifies their relation types. When appropriate, the attribution spans to these relations are also determined. We present a comprehensive evaluation from both component-wise and error-cascading perspectives.

研究动机与目标

• 开发一个完全端到端的篇章关系解析器，能够从原始文本生成PDTB风格的篇章树。
• 通过整合组件级改进，解决多组件篇章解析中的级联错误问题。
• 提升显式与隐式篇章关系的论据跨度检测和归属标注性能。
• 在组件层面和完整流水线模式下评估系统，考虑错误传播的影响。
• 为下游自然语言处理任务（如文本摘要和问答系统）提供基于篇章结构的基础支持。

提出的方法

• 解析器采用三阶段流水线：(1) 连接词分类，(2) 论据跨度检测与标注，(3) 归属跨度标注。
• 采用一种新型特征集，结合句法、词汇和结构特征，用于连接词分类器，性能优于先前工作。
• 论据检测采用联合模型，利用句法结构和篇章上下文，准确识别Arg1和Arg2跨度。
• 归属跨度标注器使用条件随机场（CRF）模型，基于标准金标或自动解析的论据进行训练，以识别归属跨度。
• 通过在标准金标和完全自动化设置下评估各组件，建模错误传播影响，评估真实场景下的性能下降。
• 系统在PDTB语料上进行训练与评估，采用10折交叉验证，并使用标准F₁指标进行部分匹配与精确匹配。

实验结果

研究问题

• RQ1 能否构建一个完全端到端的篇章关系解析器，从原始文本生成PDTB风格的篇章树？
• RQ2 组件间错误传播如何影响篇章解析流水线的整体性能？
• RQ3 联合建模论据检测与归属标注在多大程度上能提升解析准确率？
• RQ4 连接词分类与论据标注的组件级改进在多大程度上提升了系统的整体F₁得分？
• RQ5 在真实场景的篇章解析中，标准金标与完全自动化解析之间存在多大性能差距？

主要发现

• 当早期组件使用标准金标解析时，系统在完整篇章解析任务中，部分匹配F₁得分为46.80%。
• 在完全自动化设置下（无标准金标输入），系统在部分匹配下的F₁得分为38.18%，表明在真实场景中具有较强鲁棒性。
• 当使用标准金标解析时，归属跨度标注器在部分匹配下F₁得分为79.68%，在精确匹配下为65.95%，因错误传播导致精确率下降。
• 非显式分类器（用于隐式关系和实体转换关系）在标准金标输入下F₁得分为39.63%，显著优于多数基线方法（21.34% F₁）。
• 显式分类器在标准金标输入下F₁得分为86.77%，引入错误传播后下降至82.92%，表明对级联错误具有中等敏感性。
• 系统性能与先前SOTA的RST解析器相当，duVerle与Prendinger（2009）报告的F₁为44.3%，表明其在下游NLP任务中具备强大基线潜力。