摘要
情感原因提取在对话中（ECEC）旨在从对话中抽取包含情感原因的发言。大多数先前的研究主要集中在通过序列编码建模对话上下文，忽略了发言之间的信息交互以及对话特有的特征对ECEC的重要性。本文探讨了话语结构在处理发言交互和对话特有特征中的重要性。为此，我们提出了一种话语感知模型（Discourse-Aware Model, DAM）。具体而言，我们使用多任务学习（Multi-Task Learning, MTL）框架联合建模ECEC与话语解析，并通过门控图神经网络（Gated Graph Neural Network, gated GNN）显式地编码话语结构，将丰富的发言交互信息整合到我们的模型中。此外，我们还利用门控图神经网络进一步增强ECEC模型的对话特有特征。基准语料库上的实验结果表明，DAM优于文献中的现有最先进系统（State-of-the-Art, SOTA），这表明话语结构可能包含了情感表达与其对应原因之间的潜在联系。同时，这也验证了对话特有特征的有效性。本文的代码将在GitHub上公开。注释：- 情感原因提取在对话中（ECEC）：Emotion Cause Extraction in Conversations (ECEC)- 门控图神经网络（Gated GNN）：gated Graph Neural Network (gated GNN)- 现有最先进系统（SOTA）：state-of-the-art (SOTA)