Reconnaissance d'émotions contextualisées dans les conversations sous forme de tagage de séquences

La reconnaissance des émotions dans les conversations (ERC) est un sujet crucial pour le développement de machines empathiques dans divers domaines, tels que l’analyse des opinions sociales, la santé, etc. Dans cet article, nous proposons une méthode qui modélise la tâche ERC comme une étiquetage de séquence, en exploitant une couche de champ aléatoire conditionnel (CRF) afin d’apprendre la cohérence émotionnelle au sein de la conversation. Nous utilisons des encodeurs basés sur LSTM pour capturer les dépendances intra-parlant et inter-parlants entre les interlocuteurs, afin de générer des représentations contextuelles des énoncés, qui sont ensuite alimentées dans la couche CRF. Pour capturer le contexte global à longue portée, nous intégrons un encodeur Transformer à plusieurs couches afin d’améliorer l’encodeur basé sur LSTM. Les expériences montrent que notre méthode tire profit de la modélisation de la cohérence émotionnelle et surpasser les méthodes actuelles de l’état de l’art sur plusieurs jeux de données de classification émotionnelle.