摘要
情感原因识别旨在确定导致文本中特定情感表达的潜在原因。为了解决这一问题，已经提出了多种方法，包括基于规则的方法和传统的机器学习方法，这些方法依赖于人工设计的规则和特征。最近，一些深度学习方法也被应用于这一任务，试图自动捕捉文本中体现的情感及其原因之间的因果关系。在本研究中，我们发现除了文本内容之外，还有两种信息——相对位置和全局标签——对于情感原因识别也非常重要。为了整合这些信息，我们提出了一种基于神经网络架构的模型，以统一且端到端的方式编码这三种元素（即文本内容、相对位置和全局标签）。我们引入了一种增强的相对位置嵌入学习算法，并将任务从独立预测问题转化为重新排序预测问题，在此过程中融入了动态全局标签信息。实验结果表明，在一个基准情感原因数据集上，我们的模型达到了新的最先进性能，并显著优于多个竞争基线模型。进一步分析显示，增强的相对位置嵌入学习算法和带有动态全局标签的重新排序预测机制具有有效性。