【TPAMI2023】面向双任务对话语言理解的关系时序图推理

双任务对话语言理解旨在通过利用它们之间的内在联系，同时解决两个相关的对话语言理解任务。在本文中，我们提出了一个新的框架，其核心是关系时态图推理。我们提出一个以说话者为中心的时态图（SATG）和一个双任务关系时态图（DRTG）来促进对话理解中的关系时态建模和双任务推理。此外，不同于以前的工作只实现隐含的语义级交互，我们建议通过整合预测级交互来模拟显式依赖关系。为了实现我们的框架，我们首先提出了一个新颖的模型，双任务时态关系递归推理网络（DARER），它首先通过SATG的关系时态建模生成上下文、说话者和时态敏感的话语表示，然后在DRTG上进行递归的双任务关系时态图推理，其中估计的标签分布作为预测级交互的关键线索。DARER中的关系时态建模是通过关系卷积网络（RGCNs）实现的。然后，我们进一步提出关系时态变换器（ReTeFormer），它通过关系和结构感知的解耦多头注意力实现了细粒度的关系时态建模。因此，我们提出了带有ReTeFormer的DARER（DARER2），它采用两种ReTeFormer的变体分别实现SATG和DTRG的关系时态建模。在不同场景的广泛实验中验证了我们的模型以很大的优势超越了最先进的模型。