Transformateur enrichi en connaissances pour la détection d'émotions dans les conversations textuelles

Les messages dans les conversations humaines véhiculent intrinsèquement des émotions. La tâche de détection des émotions dans les conversations textuelles ouvre la voie à un large éventail d'applications, telles que l'extraction d'opinions dans les réseaux sociaux. Toutefois, permettre aux machines d'analyser les émotions dans les conversations s'avère complexe, en partie parce que les humains s'appuient fréquemment sur le contexte et les connaissances courantes pour exprimer leurs émotions. Dans cet article, nous abordons ces défis en proposant un modèle Knowledge-Enriched Transformer (KET), dans lequel les énoncés contextuels sont interprétés grâce à une attention hiérarchique auto-attentive, tandis que les connaissances courantes externes sont exploitées de manière dynamique via un mécanisme d'attention graphique affective sensible au contexte. Les expérimentations menées sur plusieurs jeux de données de conversations textuelles démontrent que tant le contexte que les connaissances courantes améliorent de manière cohérente les performances de détection des émotions. En outre, les résultats expérimentaux montrent que notre modèle KET surpasser les modèles de pointe dans la plupart des jeux de données testés, selon le score F1.