受因果发现启发的无监督域适应情感-原因对抽取方法
计算与语言
2025-02-18 v2 人工智能
机器学习
摘要
本文针对无监督域适应场景下的情感-原因对抽取任务进行了研究。该问题具有挑战性，因为尽管不同领域之间情感表达的分布相似，但导致情感的事件在目标领域的分布与源领域的分布存在显著差异。受因果发现启发，我们提出了一种基于变分自编码器 (VAE) 框架的新型深度潜在模型，既能捕捉数据中隐含的结构，又能利用情感作为桥梁，将不同领域中事件的分布进行链接。为促进跨域知识迁移，我们还提出了一种新型变分后验正则化技术，用于解耦情感表示与事件表示，以减轻源领域事件相关的虚假关联造成的影响。通过大量实验，我们在中文基准数据集上以加权平均 F1 分数提升约 11.05%，在英文基准数据集上提升约 2.45%。我们已在 GitHub 上公开源代码和生成的数据集：https://github.com/tk1363704/CAREL-VAE。
引用
@article{arxiv.2406.15490,
title = {Causal Discovery Inspired Unsupervised Domain Adaptation for Emotion-Cause Pair Extraction},
author = {Yuncheng Hua and Yujin Huang and Shuo Huang and Tao Feng and Lizhen Qu and Chris Bain and Richard Bassed and Gholamreza Haffari},
journal= {arXiv preprint arXiv:2406.15490},
year = {2025}
}
备注
18 pages, 6 figures, 5 tables. The paper has been published in the Findings of the Association for Computational Linguistics: EMNLP 2024