E-ICL：通过原型理论提升细粒度情感识别
机器学习
2025-10-13 v4 人工智能
摘要
原型学习 (ICL) 在各种领域如知识获取、常识推理和语义理解中取得了显著的性能，但在情感检测任务中性能显著下降，尤其是细粒度情感识别。其性能差的原因尚不清晰。本文从原型理论的角度识别了 ICL 在细粒度情感识别中性能差的原因，并提出了解决此问题的方法。具体而言，我们进行了大量的 pilot 实验，发现 ICL 在细粒度情感识别中符合原型理论。基于这一理论，我们发现 ICL 存在以下缺陷：(1) 它依赖于在语义上相似但情感上不准确的原型（示例-标签对）来预测情感。(2) 它容易受到无关类别的干扰，影响预测的准确性和鲁棒性。为解决这些问题，我们提出了一种基于原型理论的情感上下文学习方法 (E-ICL)。E-ICL 依靠更情感上准确的原型通过引用情感相似的示例（带有 dynamic 标签）来预测类别。同时，E-ICL 采用排他性情感预测策略以避免无关类别的干扰，从而提高其准确性和鲁棒性。注意，整个过程无需额外训练，仅通过一个即插即用情感辅助模型即可实现。在细粒度情感数据集 EDOS、Empathetic-Dialogues、EmpatheticIntent 和 GoEmotions 上的实验表明，E-ICL 在情感预测性能方面显著优于现有方法。此外，即使使用小于 10% 的大语言模型 (LLM) 作为情感辅助模型，E-ICL 也能在多个数据集上将 LLM 的性能提升超过 4%。
引用
@article{arxiv.2406.02642,
title = {E-ICL: Enhancing Fine-Grained Emotion Recognition through the Lens of Prototype Theory},
author = {Zhaochun Ren and Zhou Yang and Chenglong Ye and Yufeng Wang and Haizhou Sun and Chao Chen and Xiaofei Zhu and Yunbing Wu and Xiangwen Liao},
journal= {arXiv preprint arXiv:2406.02642},
year = {2025}
}
备注
This paper has been superseded by an updated version titled Fine-Grained Emotion Recognition via In-Context Learning (arXiv:2510.06600)