【论文速递】 COLING2022: 用于因果情绪关联的双流注意力模型

【论文速递】 COLING2022 - TSAM: A Two-Stream Attention Model for Causal Emotion Entailment

【论文原文】：COLING2022 - TSAM: A Two-Stream Attention Model for Causal Emotion Entailment

论文：https://aclanthology.org/2022.coling-1.588/
代码：https://github.com/BladeDancer957/TSAM

博主关键词：因果情绪关联（CEE）， mutual BiAffine transformation， attention， graph

推荐相关论文：

论文：Recognizing emotion cause in conversations
地址：https://link.springer.com/article/10.1007/s12559-021-09925-7
关联创新点： CEE任务与数据集提出者，基于独立的谈话对分类方式的CEE模型

摘要

因果情感关联（CEE）的任务目标是，发现对话所隐含情绪背后的潜在原因。以前的工作将CEE建模为独立的发言对儿分类问题，而忽略了对话中的情绪和发言人信息。本文采取一个新的视角，将CEE任务建模在一个联合框架中。作者对多轮发言同步进行分类，以捕捉发言之间的全局相关性；并提出一个双流注意模型(TSAM)，以有效地模拟在对话历史中发言人情绪的影响。具体来说，TSAM包括三个模块模块：情绪注意力网络 Emotion Attention Network（EAN），发言人注意力网络 Speaker Attention Network（SAN）和交互模块。EAN和SAN并列地引入了情绪和发言人信息。随后的交互模块通过相互BiAffine变换，实现EAN和SAN之间的相关信息交流。 RECCON-DD上的实验结果表明，TSAM实现了新的SOTA，显著地超过了基线模型。

简介

随着社交媒体平台（脸书，推特等）上对话数据的涌现，对话情绪分析 Emotion Analysis in Conversations (EAC)成为NLP社区中的热点之一。传统的EAC任务主要是对话情绪识别nEmotion Recognition in Conversations (ERC)， 目标是判定对话中蕴含的情感，例如下图Figure 1中， 给定一组对话，ERC判断多轮对话中蕴含的情感（happy，neutral等）。ERC是general-level的情感分析。缺乏细粒度的，更深入的情感与观点挖掘，例如分析情感产生的刺激或原因，抽取出反应相关意见的文本等。2021年Poria等人提出了更细粒度的对话情感分析，命名为RECCON，包括两个不同的子任务: （1）因果短语抽取 Causal Span Extraction (CSE) ；（2）因果情绪关联 Causal Emotion Entailment。 本文主要关注对话级别（utterance-level）的因果情绪关联任务（CSE）。

与新闻文章的情感原因抽取 Emotion Cause Extraction(ECE)相比，CEE场景下的谈话者具有非正式的表达方式，并混杂了的谈话者之间的互动。Poria等人将CEE建模为一组独立的谈话对儿分类问题，忽略了对话历史中的情感和发言人信息。因此，他们既不能从全局角度捕捉上下文语料之间的相关性，也不能建模发言人的情绪影响，包括发言人内部(intra-speaker)和发言人之间(inter-speaker)的情绪影响。发言人内部(intra-speaker)的情绪影响是指，情绪的主要原因是由于发言人内部的，在以前的对话回合中诱发的，稳定情绪状态。如Figure 1（a）中，对话1显示出了发言人A（S_{A}）喜欢冬天, 触发了第3句和第5句对话中的快乐情绪。发言人之间(inter-speaker)的情绪影响是指，目标说话人的情绪是由其他说话人提到的事件或情绪引起的。如Figure 1（b）所示。发言人B（S_{B}）的快乐情绪可能是由S_{A}提到的 "结婚 "事件引发的。S_{A}提到的结婚事件，或者S_{A}对结婚感到兴奋的这一种情绪，都可能触发S_{B}的快乐情绪。

为了解决上述问题，作者提出在联合框架中处理CEE问题。通过对多轮对话进行同步分类，捕捉上下文语料之间的关联性；并提出TSAM来有效地模拟发言人在对话历史中的情绪影响因素。TSAM包含三个模块：EAN、SAN和交互模块。EAN提供了对话到情感的交互，通过对情感嵌入分配注意力实现情感信息的纳入。SAN通过一张图（graph）来表示不同发言人对话间的关系。通过对发言人关系图的注意力机制，SAN提供了对话到对话的交互，纳入发言人信息。这两个模块并行地纳入了情感和发言人信息。随后，交互模块通过相互的BiAffine变换，在EAN和SAN之间交换相关信息。整个TSAM可以多层堆叠，通过迭代完善情感和发言人信息。

文章的主要创新点如下：

• 本文首次在一个联合框架中处理对话因果情感关联问题CEE，在全局视角下捕捉上下文对话相关性。
• 本文提出一个TSAM模拟发言人对话历史中的情绪影响， 包括EAN、SAN和交互模块，来整合交流情感信息和发言人信息
• 在CEE数据集 RECCON-DD上，本文方法取得了新的SOTA效果。

【社区访问】

【论文速递 | 精选】

阅读原文访问社区
https://bbs.csdn.net/forums/paper