基于情绪转移的对话情绪识别的多任务学习
- 摘要
- 1 介绍
- 2. 相关工作
-
- 2.1 对话中的情感识别
- 2.2 多任务学习
- 3. 提出的方法
-
- 3.1 准备工作
-
- 3.1.1 对话中的情感识别（ERC）
- 3.1.2 情绪转移（ES）
- 3.2 提出的方法
-
- 3.2.1 ERC和SC任务
- 3.2.2 ES任务
- 3.2.3 多任务学习的训练与预测（MTL）
摘要
随着人机交互的不断发展，情感识别在对话中的重要性变得越来越明显。对于聊天机器人等应用程序提供更多类似人类的反应来说，机器理解对话中嵌入的情绪是至关重要的。虽然最近的大多数研究都集中在从对话中提取上下文信息，但局部对话中情绪转移（ES）的微妙之处往往被忽视。然而，获取互动之间的ES知识可以降低情绪波动对话中的情绪识别错误率。作为ES转移的一种解决方案，我们使用对话中的情绪识别（ERC）数据集来定义同一说话者之间以及不同说话者之间的ES。我们提出了一种新的多任务学习模型，称为MtlERC-ES，它可以同时识别三个任务：对话中的情绪识别（ERC）、情绪转移（ES）和情绪极性分类（SC）。我们的方法在ERC任务上提供了高质量的性能，在多个数据集中始终排在性能最好的位置上。我们的方法还证明了自定义ES任务的有效性。
1 介绍
对话中的情感识别（ERC）在人机交互系统领域具有重要的应用意义，在民意挖掘和医疗咨询等领域具有重要的应用价值。ERC的目标是识别在对话中包含的每个话语中的情感。由于情绪表达的情境依赖性，这项任务是复杂的。一波ERC的研究都集中在有效地建模对话情境上，这是影响对话的情绪基调的一个关键因素。
在对话设置中，情绪惰性常常导致说话者保持一致的情绪状态。然而，外部刺激可以导致这些情绪状态的突变。图1展示了一个对话，其中说话者的情绪随着外部触发而波动。在这种情况下，我们可以观察到情绪的多个变化。首先，对话中Phoebe开始时表现出一种中立的情绪。当Monica提到她的惊喜派对时，Phoebe表达了她对惊喜派对的无知，她的情绪变成了惊喜，但仍然是积极的，因为惊喜派对是一件让人们快乐的事情。然而，当Monica说Joey告诉了她时，Phoebe的情绪开始改变，从积极到愤怒和消极，因为她讨厌被排除在信息圈之外。这个例子说明了动态对话所产生的不可预测性如何影响上下文中的情绪流动。
Poria 等人（2019b）的研究表明，现有的最先进方法往往会持续为某一特定说话者重复相同的情绪。这种模式与以下理解相一致，即由于情绪的惰性，说话者的情绪不太可能发生突然的转变。因此，这些方法在情绪转换（ES）发生时往往表现不足。这个局限性凸显了一个事实：许多现有技术缺乏有效检测语句间情绪转换的能力，同时忽视了会话中情绪标签之间的动态关系。Gao等人（2022）的研究提出了使用多任务学习来同时检测ES和情绪识别。但是，他们的方法只定义了ES是否发生在话语之间，因此模型不能完全捕获ES的细节。例如，一个模型可能无法区分从幸福到悲伤的过渡和从悲伤到幸福的过渡，尽管这两种过渡在现实生活中有非常不同的意义和后果。因此，为了更好地理解和预测情绪转移，该模型必须能够捕捉到更具体的ES的方向和幅度。
为了更好地理解话语间的ES，我们提出了Mtl-ERC-ES网络，一种用于情绪识别的多任务学习方法。这种方法允许模型同时理解和处理三个任务，主要任务是ERC。ERC的第一个辅助任务，称为情绪极性分类（SC），模型学习情绪极性（情绪的正负倾向），从而提供更广泛的情绪表示。这种理解增强了模型区分正面和负面情绪强弱的能力，并能够识别对话中情绪状态是发生了显著还是轻微的变化。。
发布者：admin，转转请注明出处：http://www.yc00.com/web/1754604117a5181313.html
评论列表（0条）