요약 후 집계: 대화형 감정 인식을 위한 글로벌-로컬 이질적 그래프 추론 네트워크

대화형 감정 인식(Convolutional Emotion Recognition, CER)은 자연어 처리(Natural Language Processing, NLP) 분야에서 중요한 과제이며, 다양한 응용 분야에서 활용되고 있다. 기존의 CER 연구들은 일반적으로 발화 수준의 특징만을 이용하여 감정 영향을 모델링하는 데 초점을 맞추며, 발화 간의 구절 수준의 의미적 연결에 대한 관심이 상대적으로 부족했다. 특정 주제 하에서 감정적 사건을 언급할 때 구절은 감정을 담고 있으며, 이는 대화 전반에 걸쳐 발화 간의 전역적인 의미적 연결을 제공한다. 본 연구에서는 전역적 사고에서 지역적 사고로의 접근 방식을 통해 주제 관련 감정 구절에 대한 추론과 인접 발화 간의 지역적 의존성 추론을 원활하게 통합하는 이단계형 요약 및 집계 그래프 추론 네트워크(Summarization and Aggregation Graph Inference Network, SumAggGIN)를 제안한다. 제안된 이질적 요약 그래프(Heterogeneous Summarization Graph)를 통해 주제 관련 감정 구절이 식별되며, 이는 전역적인 주제 기반 감정 연결을 형성한다. 또한, 인접 발화 간의 단기적 감정적 영향을 포착하는 지역적 의존성을 더하여 집계 그래프(Aggregation Graph)를 통해 추가로 반영함으로써 감정 구절을 포함한 발화 간 미묘한 차이를 구분할 수 있다. 두 단계의 그래프 추론은 감정 변동의 포괄적 이해를 위해 밀접하게 결합되어 있다. 세 가지 CER 벤치마크 데이터셋에서의 실험 결과를 통해 제안된 모델의 효과성을 입증하였으며, 기존 최고 성능 기법들을 초월하는 성능을 보였다.