EmotionIC：基于情感惯性与情感传染驱动的依赖建模用于对话中的情感识别

近年来，随着人机交互技术的不断进步与广泛应用，对话中的情感识别（Emotion Recognition in Conversation, ERC）任务受到越来越多关注。本文提出一种基于情感惯性与情感传染驱动的依赖建模方法（EmotionIC），用于解决ERC任务。所提出的EmotionIC模型包含三个核心组件：身份掩码多头注意力机制（Identity Masked Multi-Head Attention, IMMHA）、基于对话的门控循环单元（Dialogue-based Gated Recurrent Unit, DiaGRU）以及跳跃链条件随机场（Skip-chain Conditional Random Field, SkipCRF）。相较于以往的ERC模型，EmotionIC能够在特征提取与分类两个层面更全面地建模对话过程中的情感依赖关系。在特征提取层面，该模型旨在融合注意力机制与循环神经网络的优势。具体而言，IMMHA用于捕捉基于说话人身份的全局上下文依赖关系，而DiaGRU则用于提取具有说话人感知与时间感知特性的局部上下文信息。在分类层面，SkipCRF能够显式挖掘对话中高阶邻近话语之间的复杂情感流动模式。实验结果表明，所提方法在四个基准数据集上均显著优于当前最先进的模型。消融实验进一步验证了各模块的有效性，证实了所提出方法在建模情感惯性与情感传染方面具有显著优势。