篇章关系识别旨在判断同一篇章内两个语篇单元（论元）之间的语义连接关系,如比较关系、时序关系等,其有助于机器翻译、问答系统、阅读理解等自然语言处理领域中上层任务的性能提升。宾州篇章树库为研究篇章关系提供了权威的语言学资源支持,标注了五种类型的篇章实例,定义了三层的篇章关系体系,其根据是否存在连接词衔接两个论元,将篇章关系分为显式篇章关系和隐式篇章关系。由于连接词包含明显的语义信息,仅提取连接词的特征便可使显式篇章关系识别的准确率达到90%以上。然而,隐式篇章关系识别任务缺少明显的语义特征,要求自然语言处理算法充分理解文本语义并推理论元之间的语义联系。由于现有方法在篇章论元的深层表示和论元间交互特征的挖掘中存在不足,目前识别的准确率远远达不到可用的程度。为了学习适用于篇章关系识别的论元表示,更好地融合论元自身和交互语义特征,本文提出了基于图神经网络的隐式篇章关系识别方法。具体工作内容可分为以下两点:（1）基于图卷积网络的隐式篇章关系识别方法篇章论元表征及论元之间交互关联线索挖掘是隐式篇章关系识别的关键问题,而现有研究在学习论元的分布式表示中存在训练数据不足、语义歧义、缺乏上下文信息等问题,在挖掘论元交互模式中存在计算粒度较大、难以区分关键词对等问题。针对上述问题,本文基于论元对的依存句法结构建立静态图,将论元的交互模式蕴含在图结构中,将论元表征融入在图节点的嵌入表示中,采用图卷积网络进行图表示学习,进而得到论元对表示。具体来讲,首先构建篇章论元对的依存句法树,从中提取词与词之间的依存关系,并基于依存关系构建包含句法信息的静态图。这样可以缩短一些关键词对的距离,有助于后续网络挖掘图中的语义信息。然后,利用预训练的BERT模型获取上下文相关的论元表示,并作为静态图的节点特征,从而将语言模型在海量语料上的预训练结果传递给本文任务,在一定程度上解决训练样本不足以及多义词的问题。最后,采用图卷积网络依据静态图中的依存关系和节点特征进行图表示学习,从而得到融合了论元句法信息和语义信息的论元对表示,有利于隐式篇章关系的推理。在PDTB 2.0数据集上的实验结果表明本文模型与一些先进模型具有可比性。（2）基于图注意力网络的隐式篇章关系识别方法基于依存关系构建的静态图存在语义信息单一,依赖解析错误难以纠正,无法有效与图表示学习进行联合优化等问题。已有研究者使用自注意力机制和双线性模型学习动态的图结构,使得图结构学习和图表示学习可以进行端到端的联合优化,但是其忽略了论元交互模式的稀疏特性。针对这些问题,本文使用注意力机制挖掘论元的自身语义信息和交互语义信息,并将其蕴含在动态图结构中,然后使用图注意力网络进行图表示学习。具体来讲,首先基于Prob Sparse Self-Attention机制学习动态的图结构,并在此过程中完成论元交互信息的稀疏化处理。然后利用图注意力网络进行篇章论元的图表示学习,通过修改注意力分数的计算方式使其可以利用边上丰富的语义信息。图构建与图表示可以进行联合学习,在迭代中不断优化图结构,学习更好的图表示。本文在PDTB 2.0数据集上进行实验,四分类的宏平均F1值可达到65.28%,准确率可达到71.54%,优于目前的先进模型。我们首次研究了不同的注意力机制对篇章论元对长度的敏感度,实验结果表明,Prob Sparse Self-Attention机制可以提升模型对较长论元对的分类性能。综上所述,本文将篇章论元的原始文本序列转换为图结构数据,将论元的自身语义特征及其交互模式融入在图结构中,将论元表征融入在图节点嵌入中,提出了两个基于图神经网络的隐式篇章关系识别方法。本文研究在一定程度上为篇章分析的相关研究提供了重要的参考,在理论研究和实际应用等方面具有相应的价值。