从独立预测到重新排序预测：整合相对位置和全局标签信息以进行情感因果识别

AAAIJun, 2019

从独立预测到重新排序预测：整合相对位置和全局标签信息以进行情感因果识别

From Independent Prediction to Re-ordered Prediction: Integrating Relative Position and Global Label Information to Emotion Cause Identification

PDF

Zixiang Ding, Huihui He, Mengran Zhang, Rui Xia

TL;DR本文旨在解决文本中情感表达的因果关系问题，通过提出基于神经网络编码三个元素（文本内容、相对位置、全局标签）的模型，并采用相对位置增强嵌入学习算法，实现基于重新排序的预测和动态全局标签的机制，成功地提升了情感原因识别的性能，表现明显优于许多竞争性基线结果。

Abstract

emotion cause identification aims at identifying the potential causes that lead to a certain emotion expression in text. Several techniques including rule based methods and traditional machine learning methods have been proposed to address this problem based on manually designed rules

emotion cause identification neural network model relative position global labels deep learning

发现论文，激发创造

情感起因提取的问答方法

通过深度记忆网络和卷积神经网络，我们将情感诱因提取作为阅读理解任务。性能评估结果表明，我们的方法在最新发布的情感诱因数据集上实现了最新技术表现，并且在 F-measure 上至少比多个基准线高 3.01%。

Aug, 2017

消除位置偏见：一种知识感知图模型用于情绪原因抽取

本研究提出了一种新的方法来消除情感诱因提取任务中数据集的偏差，并在对抗样例上进行了测试，同时采用基于图的方法来显式地建模情感触发路径以增强语义依赖性。实验的结果表明，我们的方法不仅表现与现有技术水平一致，并且比现有的模型更具鲁棒性。

Jun, 2021

情感因果抽取的多任务学习与适配知识模型

本研究提出利用常识模型和多任务学习相结合的方法，在情感识别和情感原因标记方面取得显著成效，并在模型性能分析方面进行了全面深入的探究。

Jun, 2021

位置偏见对情绪因果提取影响的实验研究

本研究探讨情感原因抽取中存在的位置偏差，发现利用位置信息的深度学习模型在包含偏差数据集中表现较好，而在位置分布平衡的数据集中表现下降，提出了必须排除偏差干扰的问题，这对于未来深度学习模型的应用提供了借鉴。

Jul, 2020

识别对话中的情感原因

该研究探讨了情感原因在对话中的识别问题，定义了这个问题的两个子任务并提供了相应的基于 Transformer 的数据集和基线技术。

Dec, 2020

识别情绪之间的条件因果关系及其相应条件

确定是否在不同的上下文范围内表达出的情绪和原因具有有效的因果关系，并提取参与因果关系的特定上下文从而构建一个可用于平衡具有和没有因果关系的文档数量的最终数据集，通过提出上下文屏蔽模块来提取参与因果关系的上下文子句，并通过提出预测聚合模块根据输入的情绪和原因是否依赖于特定的上下文子句来调整预测结果，验证了我们提出的框架的有效性和普遍性。

Nov, 2023

基于多粒度信息和多模块交互的情感 - 因果对提取方法

通过共享交互模块、情感 - 原因对抽取和情感抽取和原因抽取之间的共享信息挖掘，以及根据知识图谱路径长度筛选合适标签并构建任务特定特征，提出了基于 GRU、知识图谱和 Transformer 模块的端到端多任务模型 (MM-ECPE)，在 ECPE 基准数据集上实验结果表明，该模型取得了良好的性能，尤其是在位置不平衡的样本上。

Apr, 2024

多模态本地 - 全局排名融合情感识别

研究了通过综合考虑人员独立和相对依赖角度进行情感识别的方法，该方法使用 Bayesian 排序算法推断全局相对情感排名，最终的情感识别是通过对直接预测和来自本地全局排序的相对情感排名的综合考虑而实现的。

Aug, 2018

情绪角色标注与基于评价的情绪分析的连接

情感分析涵盖了各种自然语言处理任务，其共同目标是使计算机能够理解情感。本文综合了 SEAT 和 CEAT 项目的研究结果，并指出了开放性研究问题。

Sep, 2023

面向标签无关情感嵌入

本文提出了一种训练方案，可以学习独立于不同标签格式、自然语言甚至不同模型架构的情感的共享潜在表示，通过实验表明，该方法能够实现所需的互操作性，而不降低预测准确率。

Dec, 2020