Jan, 2024

利用分解推理增强大型语言模型从情绪原因对抽取

PDF
TL;DR利用大型语言模型，提出了分解的情感 - 原因链框架（DECC），通过引导语言模型进行词对抽取任务，并结合上下文学习进一步增强了该框架的性能。与现有方法相比，DECC 在实验结果中表现出更强的效果和稳健性。
emotion-cause pair extractionclause pairslarge language modeldecomposed emotion-cause chainin-context learning
发现论文，激发创造
  • 通过学习链接实现端到端的情感 - 原因对抽取

    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

  • 基于多粒度信息和多模块交互的情感 - 因果对提取方法

    通过共享交互模块、情感 - 原因对抽取和情感抽取和原因抽取之间的共享信息挖掘，以及根据知识图谱路径长度筛选合适标签并构建任务特定特征，提出了基于 GRU、知识图谱和 Transformer 模块的端到端多任务模型 (MM-ECPE)，在 ECPE 基准数据集上实验结果表明，该模型取得了良好的性能，尤其是在位置不平衡的样本上。

    Apr, 2024

  • 情感原因配对抽取的端到端网络

    本文提出了一种针对情绪 - 原因对抽取的端到端模型，并在 NTCLR-13 ECE 语料库上建立了性能基线。相较于多阶段方法，该模型在该数据集上取得了显着的性能提升（F1 得分提高了约 6.5%），并且实现了与最先进方法相媲美的性能。

    Mar, 2021

  • 共进化图推理网络用于情感 - 原因对提取

    提出了一种基于共同演化推理的多任务学习框架（CGR-Net），以提取文档中的情绪原因对，并通过提供预测级交互来捕获不同任务之间的依赖关系，进而实现对因果关系的充分利用。

    Jun, 2023

  • 学习一般性从句 - 从句关系，提高情感 - 原因对的提取

    本文提出了一种基于编码模型的句子层次方法，命名为 EA-GAT，可以有效地提取文档中可能的情感 - 原因对，实验结果表明该方法在中文和英文基准语料上具有显著优势。

    Aug, 2022

  • 一种具有重新思考机制的多轮机器阅读理解框架，用于提取情感 - 原因对

    提出了一种基于多轮机器阅读理解的情感原因对抽取框架，可以避免标签稀疏性问题，考虑专有名词和动词的语义信息，同时模拟情感和原因之间复杂的关系，并在情感原因数据集上表现出更好的性能。

    Sep, 2022

  • 情感 - 原因对抽取作为问答

    本文提出基于 BERT 的 Guided-QA 模型，将情感 - 原因对提取 (ECPE) 任务转换为问题回答 (QA) 问题，并在标准 ECPE 语料库上获得了有希望的结果。

    Jan, 2023

  • 情感因果提取：文本情感分析中的新任务

    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

  • 面向情感预测的多重监督情感原因对抽取方法

    本研究提出了一种基于情感预测的端到端情感原因抽取方法 (EPO-ECPE)，通过同步机制和真假对照监督学习，提高情感原因抽取的准确性和易用性。实验结果表明，该方法超过了 13 个系统，并达到了最新的最优性能。

    Feb, 2023

  • 基于关系图卷积网络的情感 - 原因对联合编码

    提出了一种新的 PBJE 网络，它以联合特征编码的方式同时生成情绪和原因状语从句特征和二者之间的对特征，以平衡信息流，然后再采用 RGCN 捕捉它们之间的各种关系，从而在中文基准语料库上实现了最先进的表现。

    Dec, 2022