建模篇章连贯性是自然语言处理中的基础问题,对很多下游任务有着重要的作用,比如自动摘要,问答和文本规划。句子排序为篇章连贯性建模中的一个有挑战性的子任务,它的目的是将输入的句子集合重新组成一段更连贯的篇章。通过学习如何为输入的句子排序,模型能够学习构成文本连贯性的元素如逻辑连贯性,主题相关性和因果效应等。近期随着深度学习的发展,基于神经网络的句子排序模型取得了更优异的性能,尤其是基于编码器解码器的端到端模型已成为句子排序任务的主流框架。本文从编码器和解码器两个方面改进神经网络句子排序模型。在编码器方面,本文提出了基于句子实体图的篇章编码器。句子实体图是一种篇章的图结构表示形式,图中包含句子和实体两种节点,能够反映基于实体的连贯性。基于此图结构,本文引入并改进了图循环神经网络来建模图表示。进一步地,本文提出了使用外部词汇知识来丰富句子实体图结构。在解码器方面,由于指针网络从左到右的解码机制,它只能利用左侧的有噪声的历史上下文。因此,本文使用句对顺序预测作为解码器上下文的补充,设计了两个模块分别建模局部连贯性和估计未排序句子的相对顺序信息。在多个常用的句子排序数据集上,本文提出的模型显著超过了其他基线,表明了方法的有效性和优越性。本文也在下游任务多文档摘要上评估了提出的模型,通过本文提出方法重排序后的摘要能够取得更高的连贯性分数。