摘要
在对话情绪识别（Emotion Recognition in Conversation, ERC）任务中，当前话语的情绪通常通过结合先前上下文信息进行预测，该技术可广泛应用于多种自然语言处理任务中。尽管单个语句中可能同时存在多种情绪，但以往多数方法均从分类任务的角度出发，仅预测单一情绪标签。然而，对句子情绪进行准确标注或标注多标签在实际操作中成本高昂且难度较大。为此，本文提出一种自动构建灰度标签的方法，该方法充分考虑了情绪之间的相关性，并用于模型训练。具体而言，我们不再将给定标签简单地表示为独热编码（one-hot encoding），而是通过衡量不同情绪的得分，构建相应的灰度标签。本文提出了多种构建灰度标签的策略，并实验证明，每种方法均能有效提升情绪识别的性能。所提出的方法简洁高效，且可无缝集成至现有系统中，具有良好的通用性。实验结果表明，该方法显著提升了基线模型的性能。