在自然语言处理领域，对话话语解析旨在识别对话中话语之间的依赖结构和关系类型，对于构建更智能的多轮对话系统至关重要。然而，以往的研究主要局限于纯文本模态或双人对话场景，无法充分捕捉现实世界中常见的大规模、多模态、多方参与的复杂交互。多模态信息，如视觉线索（面部表情、手势、场景上下文），往往被完全忽略，导致模型对对话结构和意图的理解不够深入。
为了解决这一瓶颈，Shannan Liu及其合作者——来自多个知名研究机构的团队——发布了DraDDP（多模态多方对话话语解析数据集）。该数据集基于美国电视剧（如《老友记》等富含真实多人对话场景的剧集），精心抽取了495个对话片段，涵盖6,374条话语，并提供了9.1小时的同步视频内容。每个片段都包含多轮对话，参与人数一般为3至6人，确保了场景的多样性和挑战性。研究团队采用了严格的标注流程，定义了丰富的依赖关系类型（如回答、赞同、转折等），并进行了多轮一致性检验，以保证数据质量。
在基准实验中，团队评估了多种基线模型，包括纯文本模型、视觉增强模型以及注意力融合模型，深入分析了不同模态对任务的影响。结果显示，融合视觉信息（如面部表情和身体动作）的模型在识别对话结构和关系类型上显著优于仅依赖文本的模型，尤其在一些依赖肢体语言或情绪语调的隐含关系中提升明显。此外，团队还进行了消融研究，验证了视觉模态的不同部分（如静态帧 vs. 动态特征）的贡献度。
DraDDP的发布填补了多模态多方对话话语解析领域的空白，为社区提供了一个具有挑战性的基准测试平台。除了数据集，研究团队还计划开源标注指南、评测脚本以及基线模型代码，以降低研究门槛。该工作目前已收录于arXiv（编号2606.00012），属于计算语言学（cs.CL）和人工智能（cs.AI）分类。未来，研究人员可以基于DraDDP探索更复杂的多模态对话模型，如利用预训练的多模态语言模型或端到端视频对话解析方法，这将有望推动对话系统在客服、虚拟助手等实际应用中的能力飞跃。