基于情感极性强度感知的多任务学习的知识交互网络用于对话中的情感识别

近年来，对话中的情感识别（Emotion Recognition in Conversation, ERC）受到了自然语言处理（NLP）领域的广泛关注。部分现有模型致力于利用常识知识或多任务学习来辅助复杂的情感推理，但这些方法普遍忽视了话语与知识之间的直接交互。此外，这些模型所采用的情感间接辅助任务，为ERC任务提供的情感信息有限。为解决上述问题，本文提出一种情感极性强度感知的多任务学习知识交互网络（Knowledge-Interactive Network with sentiment polarity intensity-aware multi-task learning, KI-Net），该模型同时利用常识知识与情感词典来增强语义信息。具体而言，我们设计了一个自匹配模块，以实现话语内部与知识之间的深度交互。考虑到与ERC任务的相关性，我们进一步引入了一个基于短语级别的情感极性强度预测（Sentiment Polarity Intensity Prediction, SPIP）作为辅助任务。实验结果表明，知识融合、自匹配机制以及SPIP辅助任务分别在三个数据集上有效提升了模型性能。此外，我们的KI-Net模型在IEMOCAP数据集上的表现相较于当前最优模型提升了1.04%。