Aug, 2023

从口到腹：解决任务型对话情感识别学习的关键步骤

PDF
TL;DR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。
发现论文，激发创造
  • 文本对话中的深度情感识别：一项调查

    介绍情感识别和相关挑战和机遇。然后描述了主要的情感分类法和应对主观性注释的方法。接着详细阐述了深度学习方法以及处理任务性能指标和不平衡 ERC 数据的方法。最后，对关键 ERC 工作进行了描述和基准测试，并比较了它们在不同数据集上的方法和性能。强调利用技术解决不平衡数据、探索多种情感和在学习阶段融入注释主观性的好处。

    Nov, 2022

  • 对话中的情感识别：研究挑战、数据集和最新进展

    情感识别技术在人工智能领域中有着广泛的应用，并且在自然语言处理中被广泛研究。本文讨论了情感识别技术在对话中所面临的挑战和最近的研究进展，同时讨论了现有方法所存在的不足和失败原因。

    May, 2019

  • 基于分布的对话情感识别

    提出了一个分布式框架，将自动情感识别作为序列到序列问题来解决，通过引入贝叶斯训练损失来改善情感分布的不确定性估计，从而更好地处理情感标签的不确定性，实验结果表明，分布式框架在情感分类和不确定性估计方面优于单次话语和传统的基于人工设计特征的方法。

    Nov, 2022

  • 对话式迁移学习用于情感识别

    通过对话生成器获取情感知识，辅助对情感对话的识别，实现情感识别的转移学习方法。

    Oct, 2019

  • 对话情感识别的混合式课程学习

    本研究提出了一种以情绪识别为中心的混合课程学习框架，其中包括对话级别和话语级别课程。使用情感转移频率对对话进行排序并逐步强化模型对混淆情感的识别能力，我们观察到该模型跨多个 ERC 数据集显著提高了性能，达到了新的最先进水平。

    Dec, 2021

  • 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

  • 情感形状：通过情感变化在对话中进行多模态情感识别

    本文提出了一种多模态 ERC 模型，并在其上添加了情感转移组件以提高性能，在 MOSEI 和 IEMOCAP 数据集上的结果表明，情感转移信号的加入有助于该模型优于现有的 ERC 模型。

    Dec, 2021

  • 通过情感跨模态融合和类间对比学习提升对话中的情感识别

    基于向量连接的跨模态融合情感预测网络，包括多模态特征融合阶段和基于融合特征的情感分类阶段，同时设计了基于情感标签的监督式跨类对比学习模块，实验证实了该方法的有效性，并在 IEMOCAP 和 MELD 数据集上展现出优异的性能。

    May, 2024

  • 基于上下文的嵌入式话语表示在对话情感识别中的应用

    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

  • 情感检测与任务导向对话建模的统一方法

    我们的研究表明，融合用户情感检测和面向任务对话模型能够相互受益，并且是一种值得考虑的替代方法。我们的方法通过扩展用户情感检测到 SimpleToD，一个端到端的面向任务对话系统，来实现无缝融合，并基于单一的语言模型来做到此事。通过在 EmoWOZ 基准上使用 GPT-2 和 Llama-2 评估我们的方法，结果显示用户情感检测和任务结果的整体性能有所提高。我们的研究还表明，用户情感可以为系统响应提供有用的上下文条件，可以通过利用这些情感进一步提高响应的共情性。

    Jan, 2024