论文地址：https://www.aclweb.org/anthology/2020.acl-main.480.pdf
代码链接： https://github.com/najoungkim/pdtb3

论文摘要

本文重新审视了之前在PDTB2.0版本上各个工作的一些差异，并且提出一个统一的评价标准，并且显示出了预训练模型可以取得远超目前最优模型。
另外他也对于PDTB3.0与PDTB2.0的变化进行了描述，并对于细颗粒度分类进行了一些实验，为下一步的工作打下基础。

论文拟解决的主要问题

在PDTB2.0上的相关工作中，其实验存在设置不一致，评价不一致等情况，需要统一标准。

论文贡献

1. 指出了PDTB2.0上实验设置的不一致，并提出一个统一的标准能进行评估。
2. 使用预训练模型在PDTB2.0和PDTB3.0上取得了最优性能，并且比较了两个语料库的差异。
3. 讨论了下一步可以做的事情。

论文的创新点

预处理和评估上的不同

1. 标签集合选择不同，一般的选择L1的4大类，以及L2的11小类。

2. 语料划分不同
   

3. 多标注的标签处理，有的工作只选取了第一个关系标签，有的工作则重采样了，然后在预测时，候选标签中对一个标签就算对了。

4. 随机初始化不同，将采用运行5次实验取平均值的方法。

统一标准

1. 交叉验证
   划分上，使用滑动窗口在语料上进行12倍交叉验证，基于Dev:0-1,test：23-24，train：2-22，即每2个一组。

2.类别集合
在PDTB2.0上遵循原来的L1（4类）和L2（11类），在PDTB3.0上遵循大于100样例数的14类L2。在对付多标签时，使用所有的关系可能进行采样。

论文的实验

基准系统

几点发现

1. PDTB3.0的额外标注确实会更有效一些。
   

2. 更细致的标注可能有用，但是样本不平衡。（New directional labels are potentially useful
   but distributionally skewed）
   
   在每一个大类别中，不同的小类的样本分布不同，除了因果（前两行）以外。数量少的类别性能又会有下降。

3. 文章内的分布也是有用的，甚至是对于浅层篇章分析来讲。（Within-document label distribution is informative, even for shallow discourse parsing）
   文章内的关系也是有相关性的，例如并列类通常是相邻的。原因和结果也是相邻的。

4. 预训练模型很厉害，但是过于依赖词汇线索。（Vanilla pretrained encoders are strong, but
   are overreliant on lexical cues）
   预训练模型取得了最优值，但是对于一些词汇线索非常敏感，比如如果第二个篇章单元以to开始，则有95.8%的样例会被认为是目的。而如果有’-'符号在Span开头的话，则会降低9%的性能。

5. 使用两个单模型建模后，选择存在于候选关系中正确的关系。这样性能会比真实性能要高。

论文的结论

该文强调了之前在PDTB中的工作存在不一致性，并且提出了一种改进方法。在PDTB2.0和PDTB3.0中使用了预训练模型取得了最优值。并且它还讨论了未来的几个方向，可以改进篇章关系识别的性能。