Effektive Modellierung zwischen Sätzen für die end-to-end Emotion-Cause-Paar-Aus extraction

Die Extraktion von Emotion-Ursache-Paaren zielt darauf ab, alle Emotionsklause sowie ihre entsprechenden Ursachklause aus einem gegebenen Dokument zu extrahieren. Bisherige Ansätze verwenden zweistufige Verfahren, bei denen im ersten Schritt Emotionsklause und Ursachklause getrennt extrahiert werden, und im zweiten Schritt ein Klassifikator trainiert wird, um negative Paare zu filtern. Solche pipeline-basierten Systeme zur Extraktion von Emotion-Ursache-Paaren sind jedoch suboptimal, da sie unter Fehlerfortpflanzung leiden und die beiden Schritte sich nicht gut aufeinander abstimmen. In diesem Artikel greifen wir die Aufgabe der Emotion-Ursache-Paarextraktion aus einer Ranking-Perspektive auf, d. h., wir ordnen die möglichen Klausepaare innerhalb eines Dokuments nach ihrer Plausibilität, und schlagen einen einstufigen neuronalen Ansatz vor, der die Modellierung der Beziehungen zwischen Klause stark betont, um eine end-to-end-Extraktion zu ermöglichen. Dabei wird die Interrelation zwischen den Klause in einem Dokument mittels Graph-Attention modelliert, um Klause-Repräsentationen zu lernen, und die Repräsentationen von Klausepaaren wird durch kernelbasierte relative Positionsembedding verbessert, um eine effektive Ranking-Entscheidung zu ermöglichen. Experimentelle Ergebnisse zeigen, dass unser Ansatz die derzeitigen zweistufigen Systeme erheblich übertrifft, insbesondere in Szenarien, in denen mehrere Paare innerhalb eines Dokuments extrahiert werden müssen.