隐式篇章关系识别任务旨在根据句法信息、语义信息和上下文信息等线索推理论元对之间的篇章关系。该任务因缺乏显式连接词等直接推理线索,需依赖论元充分的语义表示帮助推理,是自然语言处理领域中一项基础且颇具挑战的任务。本文为挖掘论元更丰富的语义表示,基于宾州篇章树库v2.0,提出了基于多粒度和交互敏感的隐式篇章关系识别研究,主要包括三个部分:第一部分是短语级表示学习方法。短语信息因为天然的语义内聚性,是识别篇章关系的有效特征。基于此,本文提出一种基于短语级表示学习的方法。该方法先利用图注意力卷积网络调整论元中每个词的权重,并通过图卷积网络得到短语信息,最后通过交互式注意力机制融合短语信息和论元对的交互信息。第二部分是多粒度表示学习方法。第一部分丰富了论元的语义表示,但是增加了数据预处理的工作量。针对该问题,本文提出多粒度表示学习方法,该方法利用不同大小的卷积核和基于双向长短时记忆的注意力机制学习较大粒度表示,将其与词级表示拼接得到多粒度表示,从而自动抽取多粒度表示并提升性能。第三部分是交互敏感表示学习方法。第二部分中双向长短时记忆网络编码论元时,其门控机制使编码仅依赖自身信息来决定在当前时刻遗忘和输入的信息,导致部分重要的交互信息被门控机制过滤。因此,本文提出一种基于交互敏感表示学习的方法,该方法通过修改输入门和遗忘门将外部信息输入到记忆单元,从而增强论元语义表示。此外,采用图卷积网络根据依存关系结构生成论元的综合语义表示。本文通过上述方法,从语义表示学习的角度出发,层层递进。以二元分类构建模型,其中比较、偶然和扩展关系超过目前前沿方法,F1值分别为50.66%、60.40%和75.40%,在时序关系上的性能与前人工作可比。