摘要
情感原因抽取（Emotion Cause Extraction, ECE）旨在从文本中识别出特定情感背后的原因。近年来，相关研究工作陆续发表，并引发了广泛关注。然而，现有方法仍存在两个关键问题：其一，忽视了文档级上下文信息对ECE任务的影响；其二，未能充分探索如何有效利用已标注的情感子句（emotion clause）信息。针对第一个问题，本文提出一种双向分层注意力网络（Bidirectional Hierarchical Attention network, BHA），该网络针对特定候选原因子句，以结构化且动态的方式捕捉文档级别的上下文信息。针对第二个问题，我们设计了一种情感过滤模块（Emotional Filtering module, EF），该模块嵌入图注意力网络（Graph Attention Network）的每一层，基于情感子句计算门控得分，以过滤无关信息。通过结合BHA与EF，所提出的EF-BHA模型能够从双向动态聚合上下文信息，同时有效抑制噪声干扰。实验结果表明，EF-BHA在两种不同语言（中文与英文）的公开数据集上均取得了具有竞争力的性能表现。此外，本文还量化分析了上下文信息对情感原因抽取的影响，并提供了候选原因子句与上下文之间交互关系的可视化结果，进一步揭示了模型的可解释性。