초록
감정 원인 추출(ECE) 작업은 문서에서 특정 감정 표현의 잠재적 원인을 발견하는 것을 목표로 합니다. 이 작업을 해결하기 위해 규칙 기반 방법, 전통적인 기계 학습 방법 및 심층 신경망 등 다양한 기술이 제안되었습니다. 그러나 대부분의 이전 연구는 ECE를 독립적인 절 분류 문제들의 집합으로 간주하고, 문서 내 여러 절 사이의 관계를 무시했습니다. 본 연구에서는 여러 절을 동시에 인코딩하고 분류하기 위한 공동 감정 원인 추출 프레임워크인 RNN-Transformer 계층적 네트워크(RTHN)를 제안합니다. RTHN은 각 절 내의 여러 단어를 인코딩하는 하위 단어 수준 인코더와, 문서 내 여러 절 사이의 상관관계를 학습하는 상위 절 수준 인코더로 구성됩니다. 하위 인코더는 RNN(순환 신경망)을 기반으로 하고, 상위 인코더는 Transformer(변환기)를 기반으로 합니다. 또한 우리는 Transformer에 상대 위치 정보와 전역 예측 정보를 인코딩하여 절들 간의 인과 관계를 포착하고 RTHN의 효율성을 높이는 방법을 제안합니다. 최종적으로 12개의 비교 시스템 중 가장 우수한 성능을 달성하였으며, 최신 기술(SOTA)의 F1 스코어를 72.69%에서 76.77%로 향상시켰습니다.