什么导致显式到隐式篇章联系识别失败？
内容提要
本文探讨隐式语篇关系分类的挑战，提出多种模型和技术以提高分类性能，包括回译技术、神经网络模型和特征模仿框架。研究表明，这些方法在多个数据集上显著优于现有系统，推动了隐式语篇关系识别的发展。
延伸解读
隐式篇章关系识别的主要技术路线
文章梳理了多种提升隐式篇章关系分类性能的技术。早期工作通过回译生成额外训练数据，并利用多语言翻译优化数据质量。随后，研究者引入分类器、序列到序列模型和记忆网络相结合的架构，或设计神经网络通过预测和生成连词来辅助分类。此外，基于特征模仿框架的对抗模型能自适应提取显式关系特征，而结合上下文表示与全局信息融合的模型在PDTB和CoNLL数据集上分别比BERT等系统提升约8%和16%。
预训练语言模型在PDTB-3上的表现与观察
基于PDTB-3数据集，文章对七个预训练语言模型进行了直接比较，将最优准确率提升至0.671。观察发现，句子级预训练目标（如NSP、SBO、SOP）通常无法产生最佳性能的模型，而具有类似规模的掩码语言模型（MLM）和全注意力机制的预训练模型表现更好。这一反直觉的结果提示，在隐式篇章关系分类中，预训练任务的设计可能比模型规模更关键。
大语言模型在零样本场景下的局限
文章指出，对于ChatGPT等大语言模型，使用标准多项选择提示进行隐式话语关系分类的效果远不及有监督方法。即使尝试多种提示工程技术，推理准确性也几乎没有提升。这表明在零样本或少样本设置下，隐式话语关系分类仍是一个未解决的难题，复杂提示工程未能显著改善模型对隐性关系的识别能力。
PDTB-3注释变化带来的新挑战与机遇
PDTB-3增加了更多句子内隐含篇章关系的注释，并且有些隐含关系与显式篇章关系共存。这种共存现象复杂化了隐含篇章关系的定位问题，但简化了其意义辨析问题。文章提出一种基于数据的方法来应对这一变化，并认为该方法可作为未来隐含篇章关系识别的一种非常规基准，为后续研究提供了新的评估视角。
Q&A
隐式语篇关系分类面临哪些挑战？
隐式语篇关系分类面临数据不足和缺乏明确连词的问题，导致分类性能受限。
有哪些技术可以提高隐式语篇关系分类的性能？
可以通过回译技术、神经网络模型和特征模仿框架等方法来提高隐式语篇关系分类的性能。
新型模型在隐式语篇关系分类中有什么优势？
新型模型结合上下文表示和全局信息融合模块，在多个数据集上显著提高了分类性能。
如何利用回译技术来改善隐式语篇关系分类？
回译技术通过增加训练数据的多样性，提升了隐式语篇关系分类的性能。
PDTB-3数据集对隐式语篇关系分类有什么影响？
PDTB-3数据集增加了更多隐含篇章关系的注释，帮助解决隐含篇章关系的定位问题。
在隐性话语关系分类中，复杂提示工程的效果如何？
研究表明，复杂提示工程未能显著提高隐性话语关系分类的推理准确性。
