解码流动：基于原因运动的长篇对话情感因果分析
计算与语言
2025-01-03 v1 计算机与社会
摘要
长序列因果推理旨在揭示扩展时间序列数据中的因果关系，但受制于复杂依赖关系以及验证因果链条的挑战。为此，我们提出CauseMotion，一个基于检索增强生成(Retrieval-Augmented Generation, RAG)和多模态融合的长序列情感因果推理框架。与传统仅依赖文本信息的方法不同，CauseMotion通过纳入从音频中派生的特征——情感语音、情感强度和语速——丰富语义表征。通过将RAG与滑动窗口机制集成，它有效检索并利用与上下文相关的对话片段，从而推断跨越多个对话轮次的复杂情感因果链。为评估其有效性，我们构建了第一个专为长序列情感因果推理而设计的基准数据集，包含超过70个对话轮次的对话。实验结果表明，所提出的RAG驱动的多模态集成方法显著提高了大型语言模型的情感理解深度和因果推理能力。集成CauseMotion的GLM-4在因果准确性上比原始模型提升了8.7%，并在GPT-4o上超越1.2%。此外，在公开的DiaASQ数据集上，CauseMotion-GLM-4在准确率、F1分数和因果推理准确性方面均实现了最新成绩。
引用
@article{arxiv.2501.00778,
title = {Decoding the Flow: CauseMotion for Emotional Causality Analysis in Long-form Conversations},
author = {Yuxuan Zhang and Yulong Li and Zichen Yu and Feilong Tang and Zhixiang Lu and Chong Li and Kang Dang and Jionglong Su},
journal= {arXiv preprint arXiv:2501.00778},
year = {2025}
}
备注
7pages