摘要
人类对话中的信息天然蕴含情感。识别文本对话中情感的任务在诸多领域具有广泛应用，例如社交网络中的意见挖掘。然而，让机器能够有效分析对话中的情感仍面临挑战，部分原因在于人类在表达情感时往往依赖上下文语境和常识知识。本文提出一种知识增强型 Transformer（Knowledge-Enriched Transformer, KET）模型，通过分层自注意力机制对上下文话语进行理解，并利用一种上下文感知的情感图注意力机制，动态融合外部常识知识。在多个文本对话数据集上的实验结果表明，上下文信息与常识知识均能持续提升情感识别的性能。此外，实验结果还显示，我们的 KET 模型在多数测试数据集上以 F1 分数优于现有最先进模型。