UECA-Prompt: 감정 원인 분석을 위한 유니버설 프롬프트

감정 원인 분석(ECA)은 감정을 나타내는 절(clause)을 추출하고, 해당 감정의 원인을 찾아내는 것을 목표로 한다. 기존의 방법들은 특정 유형의 ECA 작업을 해결하기 위해 피니어튜닝(fine-tuning) 방식을 채택하고 있다. 그러나 이러한 작업 특화형 접근 방식은 일반성 측면에서 한계를 지닌다. 또한, 한 작업 내에서 다수의 목표 간의 관계가 명시적으로 모델링되지 않고 있다. 게다가 대부분의 기존 방법에서 도입되는 상대적 위치 정보는 모델이 데이터셋 편향(dataset bias)에 취약하게 만들 수 있다. 이러한 첫 번째와 두 번째 문제를 해결하기 위해, 본 논문은 다양한 ECA 작업을 통합된 프레임워크 내에서 해결할 수 있는 보편적인 프롬프트 튜닝(prompt tuning) 방법을 제안한다. 세 번째 문제에 대해선, 편향 완화를 위해 방향성 제약 모듈(directional constraint module)과 순차적 학습 모듈(sequential learning module)을 설계하였다. 다양한 작업 간 공통점을 고려하여, 모델의 잠재력을 더욱 탐구하기 위해 교차 작업 학습(cross-task training) 방법을 제안하였다. 실험 결과, 제안한 방법이 ECA 데이터셋에서 경쟁력 있는 성능을 달성함을 확인하였다.