Von unabhängiger Vorhersage zu umgeordneter Vorhersage: Integration von relativer Position und globaler Label-Information zur Identifikation von Emotionsursachen

Die Identifikation von Emotionsursachen (Emotion cause identification) strebt danach, die potentiellen Ursachen zu identifizieren, die zu einer bestimmten Emotionsäußerung in Texten führen. Es wurden verschiedene Techniken vorgeschlagen, um dieses Problem unter Verwendung manuell gestalteter Regeln und Merkmale zu lösen, darunter regelbasierte Methoden und traditionelle maschinelle Lernverfahren. In jüngerer Zeit wurden auch einige Deep-Learning-Methoden auf diese Aufgabe angewendet, mit dem Ziel, die kausale Beziehung zwischen Emotion und ihren Ursachen im Text automatisch zu erfassen. In dieser Arbeit stellen wir fest, dass neben dem Textinhalt noch zwei weitere Arten von Informationen, nämlich relative Position und globale Labels, für die Identifikation von Emotionsursachen sehr wichtig sind. Um diese Informationen zu integrieren, schlagen wir ein Modell vor, das auf der neuronalen Netzwerkarchitektur basiert und die drei Elemente (d.h., Textinhalt, relative Position und globales Label) in einem vereinten und end-to-end-Prozess kodiert. Wir führen einen Lernalgorithmus für erweiterte Einbettungen mit relativer Position ein und transformieren die Aufgabe von einem unabhängigen Vorhersageproblem in ein umgeordnetes Vorhersageproblem, bei dem dynamische globale Labelinformationen eingebunden werden. Experimentelle Ergebnisse auf einem Benchmarks-Datensatz für Emotionsursachen zeigen, dass unser Modell neue Standartschwellwerte (state-of-the-art performance) erreicht und signifikant besser als eine Reihe wettbewerbsfähiger Baseline-Modelle performt. Eine weitere Analyse belegt die Effektivität des Lernalgorithmus für erweiterte Einbettungen mit relativer Position sowie des umgeordneten Vorhersageverfahrens mit dynamischen globalen Labels.