[论文解读] SocAoG: Incremental Graph Parsing for Social Relation Inference in Dialogues

Liang Qiu, Liang Yuan+6 more|arXiv (Cornell University)|Jun 2, 2021

Topic Modeling参考文献 54被引用 12

一句话总结

该论文提出SocAoG，一种增量图解析框架，通过使用And-or图联合建模社交关系与个体属性，以确保关系一致性。该方法采用α–β–γ推理策略并结合MCMC采样，可在新对话语句到达时动态实时更新关系与属性，从而在DialogRE和MovieGraph数据集上实现最先进性能，关系推理准确率优于先前方法。

ABSTRACT

Inferring social relations from dialogues is vital for building emotionally intelligent robots to interpret human language better and act accordingly. We model the social network as an And-or Graph, named SocAoG, for the consistency of relations among a group and leveraging attributes as inference cues. Moreover, we formulate a sequential structure prediction task, and propose an $\alpha$-$\beta$-$\gamma$ strategy to incrementally parse SocAoG for the dynamic inference upon any incoming utterance: (i) an $\alpha$ process predicting attributes and relations conditioned on the semantics of dialogues, (ii) a $\beta$ process updating the social relations based on related attributes, and (iii) a $\gamma$ process updating individual's attributes based on interpersonal social relations. Empirical results on DialogRE and MovieGraph show that our model infers social relations more accurately than the state-of-the-art methods. Moreover, the ablation study shows the three processes complement each other, and the case study demonstrates the dynamic relational inference.

研究动机与目标

• 解决现有基于对话的关系抽取方法中缺乏关系一致性建模的问题。
• 将个人属性（例如性别、职业）作为推理线索整合，以提升关系预测性能。
• 在对话中每条新语句到达时，实现社交关系的动态、增量式推理。
• 通过结构化图表示，联合建模属性与关系的社会一致性演化过程。
• 通过增量图更新提供可解释的推理路径，反映类人社交推理过程。

提出的方法

• SocAoG将社交关系与属性建模为分层And-or图（AoG），编码群体层面的一致性与上下文约束。
• α过程基于语句语义，利用上下文嵌入，执行对属性与关系的判别式预测。
• β过程通过与预测属性及已有关系结构保持一致，更新社交关系。
• γ过程基于人际间关系，优化个体属性，确保属性与关系的一致性。
• 采用MCMC采样策略，通过迭代α–β–γ更新，联合推断属性与关系的后验分布。
• 该框架支持增量解析，实现每条新对话语句到达时的实时信念更新。

实验结果

研究问题

• RQ1 与孤立的关系抽取相比，联合建模属性与关系是否能提升对话中的社交关系推理性能？
• RQ2 采用α–β–γ过程的增量图解析在对话过程中追踪动态演变的社交关系方面效果如何？
• RQ3 属性线索（如性别、职业）在多大程度上提升了关系推理的准确率？
• RQ4 三个过程（α、β、γ）在维持一致性与提升性能方面如何互补？
• RQ5 该模型能否通过社会网络中动态信念更新揭示可解释的推理路径？

主要发现

• 本模型在DialogRE数据集上取得SOTA的F1分数69.1（σ=0.5），优于先前方法。
• 消融实验表明，三个过程（α、β、γ）均具有显著贡献，其中α过程提供主要预测能力。
• α–β–γ策略支持动态推理，MCMC接受率快速稳定，表明每次语句后均能快速收敛。
• 案例研究显示，模型能正确推断间接关系（如S1与S2通过S5的语句被推断为父母关系），并更新年龄、职业等属性。
• 模型成功解决信念矛盾——例如，在第7轮检测到'Mr. and Mrs. Geller'后，信念从'朋友'更新为'父母'。
• 收敛曲线在关键信息轮次达到峰值，表明对对话中关键关系线索具有高度敏感性。