摘要
尽管在文本情感检测领域已取得显著进展，但在话语级情感识别（Utterance-Level Emotion Recognition, ULER）方面，仍存在诸多亟待解决的问题。本文针对对话系统中的ULER任务提出了若干挑战：（1）同一话语在不同语境或由不同说话人表达时，可能传递出不同的情感；（2）长距离上下文信息难以有效捕捉；（3）与传统文本分类任务不同，该任务可用的标注数据集数量有限，且多数数据集中的对话或语音样本不足。为应对上述挑战，本文提出一种分层Transformer框架（本文中“Transformer”通常指Transformer的编码器部分），其中底层Transformer用于建模词级输入，上层Transformer则用于捕获话语级嵌入的上下文信息。我们采用预训练语言模型BERT作为底层Transformer，相当于引入外部知识，一定程度上缓解了数据稀缺的问题。此外，本文首次在模型中引入说话人嵌入（speaker embeddings），使模型能够捕捉说话人之间的交互关系。在三个对话情感数据集（Friends、EmotionPush和EmoryNLP）上的实验结果表明，所提出的分层Transformer网络在宏平均F1（macro-F1）指标上，相较于当前最优方法分别取得了1.98%、2.83%和3.94%的提升。