识别对话中的情感原因
该研究提出了一种基于神经网络的情感预测模型 MuTEC，旨在从对话中提取情感表达的原因，并针对此目标设计了情感原因跨度与因果语句判定的多任务学习框架，比现有基线模型表现更好
Nov, 2022
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
这篇论文概述了 SemEval-2024 任务 3 的目标，即从对话中提取所有情绪和其对应原因的对，并介绍了顶级团队的系统以及参与者的发现。
May, 2024
提出了一种基于句子标签和序列标签问题的模型，通过对话中涉及的多个模态（文本、音频和视觉模态）的独立话语以及导致情绪的相应话语来解决多模态情绪原因分析任务，并对使用不同编码器（包括 BiLSTM）的基准线进行了比较研究，并最终添加了 CRF 层以更有效地建模相邻话语之间的相互依赖关系，其在任务的官方排行榜上排名第 8，F1 得分为 0.1759。
Apr, 2024
本研究提出了一个多阶段框架，旨在通过目标情绪生成情绪并提取情绪的因果对。我们的方法在竞赛中在两个子任务中均获得第一名。
Apr, 2024
该论文研究了在对话中提取情感原因的重要性，提出了一种基于话语结构的模型，利用多任务学习框架和门控图神经网络来建模和分析对话，加强了情感和原因表达之间的联系，并验证了模型的有效性。
Oct, 2022
在日常对话中，人们通过表达情感来传递情感信息，因此情感理解成为情感智能的关键一步。为了理解对话中的情感，我们需要让机器能够识别话语中的情感（对话情感识别，ERD），然后根据情感找出导致该情感的话语（对话情感原因提取，ECED）。目前的研究忽略了情感和原因之间的相互补充关系，因此我们提出了一种新的任务，即 “对话情感推导解释”（EDEN）。EDEN 以明确的推理方式识别情感和原因，模型需要生成一个解释文本，对导致情感的原因进行总结，使用常识分析讲话者的内部活动，然后根据推导出的原因猜测情感。为了支持 EDEN 的研究，我们基于 ECED 中的现有资源，通过人力努力构建了两个 EDEN 数据集。我们在 EDEN 上评估了不同模型，并发现大型语言模型（LLMs）比传统的预训练语言模型（PLMs）更有竞争力。此外，EDEN 可以帮助 LLMs 更好地识别情感和原因，探索了对话中可解释的情感理解的新研究方向。
Jun, 2024
本文提出了一种名为 CACD 的新型因果推断方法，旨在通过设计一个公共的骨架和生成替代的隐含因素来推导对话中的因果关系，该方法在情感相关领域的六个数据集上展示出比 SOTA 基准更好的性能表现。
May, 2023