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

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

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

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

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

本文提出一种新的任务：情绪 - 原因对提取（ECPE），其目的在于提取文档中情绪和相应原因的潜在配对，并借助多任务学习实现个体情绪提取和原因提取以及情绪 - 原因匹配和过滤，其在基准情绪原因语料库上的实验结果证明了该任务的可行性以及方法的有效性。

Jun, 2019

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

本文以 SemEval-2023 任务 3 “对话中多模态情绪因果分析竞赛” 的参赛报告为基础，着重从对话中提取情绪 - 原因二元组。具体而言，我们的方法通过结合经过微调的 GPT-3.5 实现情绪分类和基于 BiLSTM 的神经网络实现原因检测。在子任务 1 的排名中，我们获得第二名，并通过最高加权平均比例 F1 分数 0.264 展示了我们方法的有效性。

Apr, 2024

本文研究如何将常识知识加入预训练的语言模型中，并发现这种方式可以提高模型在因果关系分类和常识因果推理任务中的表现。

Dec, 2021

该研究提出了一种多任务学习模型，将情感的提取、原因的提取和情感 - 原因对的提取同时进行，将情感 - 原因对的提取视为链接预测任务，并经过实验证明，该模型优于现有技术水平。

Feb, 2020