通过推理链提升生成式语言模型以更好地进行情感-原因推理
计算与语言
2024-05-22 v2
摘要
理解情感生成的过程对于分析情感背后的原因至关重要。情感因果蕴涵（CEE）是一种情感理解任务，旨在识别引发目标言语中表达情感的情感的情感情感话语。然而，当前的 CEE 工作主要关注对话中语义和情感交互的建模，忽略了对情感生成过程的探索。这阻碍了模型深入理解情感，限制了其产生可解释预测的能力。本文受认知评估理论中“刺激-评估-情感”情感生成过程的启发，引入逐步推理方法——情感-原因推理链（ECR-Chain），以从目标情感表达中推断刺激。具体而言，我们通过 few-shot 提示将 ECR-Chain 引入 ChatGPT，这显著提高了其在 CEE 任务上的性能。我们进一步提出了自动构建 ECR-Chain 数据集的方法，可通过监督训练提升较小模型的推理能力，并帮助 Vicuna-7B 模型实现情感-原因推理的 SOTA 水平。此外，我们的方法使这些生成式语言模型能够有效地以可解释的方式执行情感-原因推理。我们的代码、数据和更多细节可在 https://github.com/hzp3517/ECR-Chain 获取。
引用
@article{arxiv.2405.10860,
title = {ECR-Chain: Advancing Generative Language Models to Better Emotion-Cause Reasoners through Reasoning Chains},
author = {Zhaopei Huang and Jinming Zhao and Qin Jin},
journal= {arXiv preprint arXiv:2405.10860},
year = {2024}
}
备注
Accepted by IJCAI 2024