摘要
在现代对话系统中，捕捉对话中的情感信息起着至关重要的作用。然而，情感与语义之间存在的弱相关性给对话情感识别（Emotion Recognition in Conversation, ERC）带来了诸多挑战。即使语义相近的语句，其情感表达也可能因上下文或说话人不同而产生显著差异。为此，本文提出一种面向ERC任务的监督原型对比学习（Supervised Prototypical Contrastive Learning, SPCL）损失函数。该方法基于原型网络（Prototypical Network），通过对比学习机制有效缓解分类不平衡问题，且无需依赖大规模批量（large batch size）。同时，我们设计了一种基于类别间距离的难度度量函数，并引入课程学习（curriculum learning）策略，以减轻极端样本对模型训练的负面影响。在三个广泛使用的基准数据集上，我们的方法均取得了当前最优的性能表现。此外，我们通过一系列分析实验验证了所提出的SPCL损失函数及课程学习策略的有效性。相关代码已开源，地址为：https://github.com/caskcsg/SPCL。