用于对话情感分类与行为识别联合任务的双向多跳推理模型
计算与语言
2023-08-15 v2
摘要
对话情感分类（DSC）与行为识别（DAR）的联合任务旨在同时预测对话中每句话语的情感标签与行为标签。然而，当前方法仅以单一方向编码对话上下文，限制了其充分理解上下文的能力。此外，这些方法忽视了情感与行为标签间的显式关联，导致捕捉丰富情感与行为线索的能力不足，并阻碍有效且准确的推理。为解决这些问题，我们提出一种双向多跳推理模型（BMIM），利用特征选择网络与双向多跳推理网络以双向方式迭代提取并整合丰富的情感与行为线索。我们还采用对比学习与对偶学习显式建模情感与行为标签的关联。在两个广泛使用的数据集上的实验表明，BMIM 在 DAR 的 F1 分数上至少超越 SOTA 基线 2.6%，在 DSC 的 F1 分数上超越 1.4%。此外，我们所提模型不仅提升性能，还增强了联合情感与行为预测任务的可解释性。
引用
@article{arxiv.2308.04424,
title = {A Bi-directional Multi-hop Inference Model for Joint Dialog Sentiment Classification and Act Recognition},
author = {Li Zheng and Fei Li and Yuyang Chai and Chong Teng and Donghong Ji},
journal= {arXiv preprint arXiv:2308.04424},
year = {2023}
}
备注
Accepted by NLPCC 2023