Réseaux de neurones à attention graphique sensibles aux relations avec encodages de position relationnels pour la reconnaissance des émotions dans les conversations

L’intérêt pour la reconnaissance des émotions dans les conversations (ERC) croît de manière significative dans divers domaines, en raison de sa capacité à analyser les comportements des utilisateurs et à détecter les fausses informations. De nombreuses méthodes récentes d’ERC utilisent des réseaux neuronaux basés sur les graphes afin de prendre en compte les relations entre les énoncés des intervenants. En particulier, la méthode de pointe actuelle modélise les dépendances intra-et inter-intervenants dans les conversations à l’aide de réseaux d’attention sur graphes relationnels (RGAT). Toutefois, les réseaux neuronaux basés sur les graphes ne tiennent pas compte des informations séquentielles. Dans ce travail, nous proposons des encodages de position relationnels, qui fournissent au modèle RGAT des informations séquentielles reflétant la structure du graphe relationnel. Ainsi, notre modèle RGAT est capable de capturer à la fois les dépendances entre intervenants et les informations séquentielles. Des expériences menées sur quatre jeux de données ERC montrent que notre modèle améliore significativement la reconnaissance des émotions exprimées dans les conversations. De plus, notre approche obtient de meilleurs résultats que l’état de l’art sur l’ensemble des jeux de données de référence.