大型语言模型能否为对话情感识别生成有效的数据集？
人工智能
2025-08-08 v1 计算与语言
摘要
对话情感识别（ERC）聚焦于识别交互中的情感变化，代表了迈向高级机器智能的重要一步。然而，ERC 数据仍然稀缺，且现有数据集由于其来源的高度偏见和软标签的固有主观性而面临诸多挑战。尽管大型语言模型在许多情感任务中展现了其质量，但它们的训练通常成本高昂，且其在 ERC 任务中的应用——尤其是在数据生成方面——仍然有限。为应对这些挑战，我们采用一个小型、资源高效且通用的 LLM 来合成具有多样属性的 ERC 数据集，以补充三个最广泛使用的 ERC 基准。我们生成了六个新数据集，其中两个专为增强每个基准而定制。我们评估了这些数据集的效用，以（1）补充 ERC 分类的现有数据集，以及（2）分析 ERC 中标签不平衡的影响。我们的实验结果表明，在生成数据集上训练的 ERC 分类器模型表现出强鲁棒性，并在现有 ERC 基准上持续取得具有统计显著性的性能提升。
引用
@article{arxiv.2508.05474,
title = {Can Large Language Models Generate Effective Datasets for Emotion Recognition in Conversations?},
author = {Burak Can Kaplan and Hugo Cesar De Castro Carneiro and Stefan Wermter},
journal= {arXiv preprint arXiv:2508.05474},
year = {2025}
}
备注
8 pages, 4 figures