AAAIDec, 2020

DialogXL: 一体化的 XLNet 多方会话情感识别

PDF
TL;DR本文介绍了我们使用预训练语言模型进行情感识别的研究，提出了使用增强记忆和对话感知自注意力的全能型 XLNet 模型 DialogXL, 通过对四个 ERC 基准测试的实验表明，该模型在所有数据集上都优于基线模型。
emotion recognitionconversationpre-trained language modelsmulti-party structuresdialogxl
发现论文，激发创造
  • 高效远距离潜在关系感知的多模态情感识别对话图神经网络

    本文提出了一种用于对话中多模态情绪识别的高效远程潜在关系感知图神经网络（ELR-GNN），通过捕捉全局话语之间的潜在依赖关系和语义关联，结合早期融合和自适应后期融合机制，实现了情感预测，并在 IEMOCAP 和 MELD 基准数据集上取得了最先进的性能，分别将运行时间减少了 52% 和 35%。

    Jun, 2024

  • 上下文感知孪生网络在会话中高效的情感识别

    通过深度学习模型，本研究提出了一种基于度量学习和 Siamese 网络架构的方法来进行情感识别对话任务，取得了 57.71 的宏 F1 得分，相较于相关研究有了显著的提升。

    Apr, 2024

  • SI-LSTM: 会话中情感识别的说话人混合长短期记忆和跨模态注意力

    本研究提出了一种名为 “讲话者信息增强的长短时记忆（SI-LSTM）” 的递归结构，用于情感识别，可以在追踪对话中不同讲话者的情感状态的同时，通过交叉模态注意力机制将不同模态之间的信息结合起来，提高多模态数据情感识别任务的学习效果。在两个基准数据集上进行的实验结果表明，所提出的 SI-LSTM 模型在情感识别任务上具有优越的性能表现。

    May, 2023

  • InstructERC: 用检索多任务 LLMs 框架改革对话中的情感识别

    通过大型语言模型，我们提出了一种名为 InstructERC 的新方法，将情绪识别对话（ERC）任务从辨别性框架改为生成性框架，通过引入简单而有效的检索模板模块以及两个额外的情绪对齐任务，显式地整合多层次的对话监督信息和隐含的对话角色关系和未来情绪趋势，从而显著提高了性能，在三个常用的 ERC 数据集上达到了全面的 SOTA 水平。

    Sep, 2023

  • 一种融合全局 - 局部感知的双流重复 - 注意力网络，用于情感识别的文本对话

    本文提出一种基于双重 RNN 和多头注意力网络（MAT）的直观双流递归关注网络（DualRAN），该模型旨在解决情感对话（ERC）任务中建模上下文的难题，能够更有效地捕获全局和局部背景信息。实验结果表明 DualRAN 模型优于所有基线，并且每个组件的有效性得到了深入的证明。

    Jul, 2023

  • DialogueGCN: 基于图卷积神经网络的对话情感识别

    本研究介绍了 Dialogue Graph Convolutional Network (DialogueGCN) 的方法，使用图神经网络来进行 Emotion recognition in conversation (ERC)，并通过解决当前循环神经网络方法存在的上下文传播问题来提高情感分类效果。

    Aug, 2019

  • EmotionX-IDEA: 情感 BERT—— 一种面向对话的情感模型

    本文研究了预训练语言模型 BERT 在情感识别中的能力。通过 BERT 的框架和两句话的结构，我们将其应用于连续对话情感预测任务中，并依赖于句子级上下文感知理解。实验表明，通过将连续对话映射到因果话语对中，该模型能更好地捕获回复话语的情感。该方法在 Friends 和 EmotionPush 的测试数据集中取得了 0.815 和 0.885 微型 F1 分数。

    Aug, 2019

  • DialogueRNN：一种用于对话情绪检测的注意力循环神经网络

    使用循环神经网络跟踪对话中每个当事人的状态信息以进行情感分类，从而优于两个不同数据集上的现有技术。

    Nov, 2018

  • 一种基于说话者建模的分层 Transformer 用于对话情感识别

    本文提出一种在语音对话中进行情绪识别的方法，利用 Transformer 和注意力机制设计三个不同的蒙版模拟传统上下文建模、扩展内部说话人和跨说话人的交互作用，以达到更好的预测效果。实验证明我们的方法可以有效提高情绪识别的性能。

    Dec, 2020

  • LineConGraphs：利用图神经网络进行有效情感识别的线性对话图

    情感识别对话（ERC）是情感计算的重要方面，它在医疗保健、教育、聊天机器人和社交媒体平台等方面具有许多实际应用。我们提出了适用于 ERC 分析的新型线性对话图卷积网络（LineConGCN）和图注意力（LineConGAT）模型，并评估了模型在两个基准数据集上的表现，证明了 LineConGAT 模型在 F1 得分为 64.58％和 76.50％的情况下优于最先进的方法。此外，我们还证明将情感变化信息嵌入到对话图中进一步提高了 GCN 模型的 ERC 性能。

    Dec, 2023