Diskursbewusste Extraktion von Emotionsursachen in Konversationen

Die Emotion Ursache Extraktion in Konversationen (ECEC) zielt darauf ab, die Äußerungen zu extrahieren, die die emotionale Ursache in Konversationen enthalten. Die meisten bisherigen Forschungsarbeiten konzentrieren sich auf das Modellieren von Konversationskontexten durch sequenzielle Kodierung und ignorieren dabei die informativen Interaktionen zwischen Äußerungen und konversationspezifische Merkmale für ECEC. In dieser Arbeit untersuchen wir die Bedeutung von Diskursstrukturen bei der Behandlung von Äußerungsinteraktionen und konversationspezifischen Merkmalen für ECEC. Zu diesem Zweck schlagen wir ein diskursbewusstes Modell (DAM) für diese Aufgabe vor. Genauer gesagt modellieren wir ECEC gemeinsam mit Diskursanalyse unter Verwendung eines Multi-Task-Lernrahmens (MTL) und kodieren Diskursstrukturen explizit durch eine gate-regulierte Graph-Neuronalnetzwerk-Architektur (gate-reguliertes GNN), wodurch wir reichhaltige Interaktionsinformationen zwischen den Äußerungen in unser Modell integrieren. Darüber hinaus nutzen wir gate-regulierte Graph-Neuronalnetzwerke, um unser ECEC-Modell durch konversationspezifische Merkmale weiter zu verbessern. Die Ergebnisse am Benchmark-Korpus zeigen, dass DAM die Systeme des aktuellen Standes der Technik (SOTA) in der Literatur übertrifft. Dies deutet darauf hin, dass die Diskursstruktur möglicherweise einen potentiellen Zusammenhang zwischen emotionalen Äußerungen und ihren entsprechenden Ursachenausdrücken enthält. Es bestätigt auch die Effektivität von konversationspezifischen Merkmalen. Der Quellcode dieser Arbeit wird auf GitHub verfügbar sein.