隐式篇章关系识别旨在根据可靠的论元语义表示和有效的关系分类特征,推断出两个论元之间的篇章关系。该任务由于缺少显式推理线索,通常需要借助上下文信息、论元中的关键信息以及论元之间的交互信息,获得可靠的论元语义表示,从而形成基于语义深度理解的关系识别方法。然而,现有关系识别模型在表征论元语义时仍然受制于如下三项挑战,包括1)论元片段不完整造成语义缺失;2)上下文噪声信息误导论元的语义编码;3)论元的关键信息难以提取。此外,研究发现,有效的分类特征有助于提高论元表征的语义区分度。然而,现有语料资源PDTB规模较小,其蕴含的分类特征难以挖掘。本文针对上述问题开展以下三个方面的研究:1)观察发现,现有论元的切分规则较为粗糙,导致部分论元出现语义缺失的问题。该问题对论元的语义理解和论元之间的信息交互过程均产生了负面影响。因此,本文研究一种基于多粒度的上下文的融合机制。该机制利用不同粒度的上下文信息,辅助模型对语义缺失的论元进行深度的语义理解。此外,为了缓解上下文噪声信息引起的不确定性,该方法建立了一种有效的关键信息提取模式,借以降低上下文干扰信息的负面影响。2)现有注意力机制在论元的关键信息提取中取得了一定进展。然而,相关实验结果显示,这些注意力机制的权重分布事实上处于一种“过稳定”状态（“过稳定”状态是指注意力权重在不同关键程度信息上区分度较低时呈现的一种分布状态）。该状态导致论元中关键词和非关键词在权重上的区分度较小,使得关键词信息很难在表征论元语义中发挥重要作用。因此,本文研究一种结合惩罚系数的损失重估方法,该方法基于权重分布的过稳定性计算惩罚系数,并将该系数整合到损失的计算中。进一步地,该方法借助损失的优化过程调整注意力机制中的训练参数,形成可辨识度较高的注意力权重分布,进而改善基于注意力表示学习的隐式篇章关系识别方法。3)精准的分类特征能够使得不同关系类别的论元表示具有较高的可区分性。然而,现有人工标注的语料规模有限,蕴含的语言学特征不充分,使得现有关系识别模型难以有效的学习到可靠的分类特征。为此,本文研究一种基于高困惑样本生成和对比学习的方法,其能够在样本标签不可观测的情况下,驱动关系识别模型学习到具有高区分度的分类特征。该方法利用无标签的训练样本自动构建正负例样本。特别地,样本构建的目标是产生“高困惑样本对”（“高困惑样本对”指在语义表示上难以区分的两个不同类别的样本）。在此基础上,本文将对比学习机制引入关系识别模型的训练过程,驱动模型对上述“高困惑样本对”进行强制的辨识和区分,促进不同类别的样本在语义空间中呈现更加规范的分布模式。本文借助上述方法,一定程度上促进现有关系识别模型对高辨识度分类特征的感知和表示,从而优化隐式篇章关系识别的方法对不同样本的辨识能力。本文研究了多粒度上下文融合、注意力损失重估以及对比学习三种方法,借以逐步缓解隐式篇章关系识别中论元片段语义不完整、关键信息提取困难以及分类特征不丰富的问题。本文集中在PDTBv2.0数据集上进行实验,实验结果证明,上述方法在关系识别模型上均产生了较为显著的性能优化。