초록
대화 내 감정을 포착하는 것은 현대 대화 시스템에서 핵심적인 역할을 한다. 그러나 감정과 의미론 사이의 약한 상관관계로 인해 대화 내 감정 인식(ERC) 작업에는 많은 도전 과제가 존재한다. 의미적으로 유사한 발화라도 맥락이나 발화자에 따라 감정이 크게 달라질 수 있다. 본 논문에서는 ERC 작업을 위해 감독형 원형 대조 학습(Supervised Prototypical Contrastive Learning, SPCL) 손실 함수를 제안한다. 원형 네트워크(Prototypical Network)를 활용한 SPCL은 대조 학습을 통해 불균형 분류 문제를 해결하며, 대규모 배치 크기를 요구하지 않는다. 또한, 클래스 간 거리 기반의 어려움 측정 함수를 설계하고, 교과과정 학습(curriculum learning) 전략을 도입하여 극단적인 샘플의 영향을 완화한다. 제안한 방법은 널리 사용되는 세 가지 벤치마크에서 최고 성능을 달성하였다. 추가적으로, 제안한 SPCL과 교과과정 학습 전략의 효과를 검증하기 위한 분석 실험을 수행하였다. 코드는 https://github.com/caskcsg/SPCL 에 공개된다.