Kontextabhängige Embedding-Ausdrucksdarstellungen für die Emotionserkennung in Gesprächen

Die Erkennung von Emotionen in Gesprächen (Emotion Recognition in Conversations, ERC) gewinnt zunehmend an Bedeutung, da conversationelle Agenten immer verbreiteter werden. Die Erkennung von Emotionen ist entscheidend für eine effektive Kommunikation und stellt eine zentrale Komponente bei der Entwicklung wirksamer und empathischer conversationeller Agenten dar. Wissen und Verständnis des Gesprächskontexts sind äußerst wertvoll, um die Emotionen des Gesprächspartners zu identifizieren. Wir nähern uns daher der Erkennung von Emotionen in Gesprächen unter Einbeziehung des Gesprächskontexts, d. h. unter Berücksichtigung vorheriger Gesprächsbeiträge. Die übliche Vorgehensweise zur Modellierung des Gesprächskontexts besteht darin, zunächst kontextunabhängige Darstellungen jedes Äußerungsbeitrags zu erzeugen und anschließend eine kontextuelle Modellierung dieser Darstellungen durchzuführen. In diesem Beitrag schlagen wir stattdessen kontextabhängige Embedding-Darstellungen für jeden Äußerungsbeitrag vor, wobei wir die repräsentative Kraft vortrainierter Transformer-Sprachmodelle nutzen. In unserem Ansatz übergeben wir den Gesprächskontext, der an die zu klassifizierende Äußerung angehängt ist, als Eingabe an den RoBERTa-Encoder, an dessen Ausgabe eine einfache Klassifikationsmodule angehängt wird. Dadurch entfällt die Notwendigkeit, den Kontext nach der Erzeugung der Embeddings explizit zu behandeln, da diese bereits eine effiziente Repräsentation des Kontexts darstellen. Zudem untersuchen wir, wie sich die Anzahl der berücksichtigten vorherigen Gesprächsbeiträge auf die Leistung unseres Modells auswirkt. Die Wirksamkeit unseres Ansatzes wird anhand des offenen-domain-Datensatzes DailyDialog sowie des task-orientierten Datensatzes EmoWOZ validiert.