Les Énoncés Neutres Sont Aussi des Causes : Amélioration de l'Entailment Causale Émotionnel Conversationnel avec des Connaissances de Sens Commun Social

L'Entailment Causale Conversationnel vise à détecter les énoncés causaux pour un énoncé cible non neutre issu d'une conversation. Dans ce travail, nous construisons des conversations sous forme de graphes afin de surmonter la modélisation contextuelle implicite du style d'entailment original. En s'appuyant sur les travaux précédents, nous introduisons davantage l'information émotionnelle dans ces graphes. L'information émotionnelle peut considérablement améliorer la détection des énoncés causaux dont l'émotion est identique à celle de l'énoncé cible. Cependant, il reste difficile de détecter les énoncés causaux avec des émotions différentes, en particulier ceux qui sont neutres. La raison en est que les modèles sont limités dans leur capacité à raisonner sur les indices causaux et à les transmettre entre les énoncés. Pour atténuer ce problème, nous introduisons la connaissance du sens commun social (CSK) et proposons un Graphe de Conversation Amélioré par la Connaissance (KEC). Le KEC propage cette connaissance du sens commun social entre deux énoncés. Étant donné que toute la CSK n'est pas nécessairement émotionnellement appropriée pour chaque énoncé, nous proposons une stratégie de sélection de connaissances réalisées par le sentiment pour filtrer la CSK. Pour traiter le KEC, nous avons également construit des réseaux de graphes dirigés acycliques améliorés par la connaissance. Les résultats expérimentaux montrent que notre méthode surpassent les méthodes de base et infère davantage de causes avec des émotions différentes à partir de l'énoncé cible.