FATRER: 用于准确和稳健对话情感识别的全注意力主题正则化器
本论文将 Fuzzy Fingerprints 与 RoBERTa 相结合,在 Emotion Recognition in Conversations(ERC)任务中获得了最先进的结果,并提供了更简单和可解释性更强的 Large Language Models-based 分类器。通过将发言及其以前的对话转化为上下文嵌入的发言表示,并将其提供给改进的 Fuzzy Fingerprint 分类模块,我们在广泛使用的 DailyDialog ERC 基准数据集上验证了我们的方法,获得了更轻的模型的最先进水平的结果。
Sep, 2023
基于 RoBERTa 编码器的上下文依赖嵌入话语表示法为核心的情感识别方法通过在分类模型中附加简单的分类模块来实现有效性,证明了这种方法在比复杂分类模块更有效的情境无关话语表示方法上表现更好。
Apr, 2023
本文提出了一个将闲聊型情绪识别模型转变为面向任务型的框架,通过改进稀有情绪的增强方法、将对话状态作为辅助特征以及设计多任务学习目标和情绪 - 距离加权损失函数来显著提高模型性能,并在 EmoWOZ 数据集上进行了验证。该模型具有强大的零样本能力,可在更广泛的场景中应用。
Aug, 2023
本文针对会话中情绪识别的复杂性,提出了一种利用双向门控循环神经网络捕捉上下文相关性和说话人之间相互作用的对话情感识别方法。实验结果表明该方法比现有的最先进方法更为有效。
Feb, 2023
本文提出了一种名为 Topic-Driven Knowledge-Aware Transformer 的模型,包含一种话题增强语言模型、基于对话情境信息的常识语句和一种转换器,用于识别情感标签序列中的话题和情感状态。实验结果表明,该模型在对话情感检测方面表现优于现有的最先进方法。
Jun, 2021
提议一种新方法,将语境信息和对话结构信息纳入 “pretrained language models”(PLMs)的微调步骤,来代替先前的两步骤方法,以提高情感识别效果。在新方法下开发的 BERT-ERC 模型在四个数据集上比现有方法均有显著提升,并可适用于多种情境。
Jan, 2023
本文提出了一种上下文感知的谈话主题分类方法,通过引入对话上下文和对话行为特征,扩展了神经主题分类和无监督主题关键词检测的先前研究,以提高谈话中的主题识别准确性和预测用户评价指标。
Oct, 2018
本文探讨了基于 CEMO 数据集的语音和文本预训练模型在情感识别上的融合策略,研究表明基于多模态融合的交叉关注机制实现了更好的表现。同时,实验也表明在 CEMO 上,音频编码包含的情感信息比文本更为丰富。
Jun, 2023