基于语义解耦与图对齐的对话中情感-原因对抽取
计算与语言
2026-04-22 v1
摘要
对话中的情感-原因对抽取（Emotion-Cause Pair Extraction in Conversations, ECPEC）旨在识别对话中情感话语及其触发原因之间的因果关系集合。现有大多数方法将 ECPEC 构建为独立的成对分类任务，忽略了情感扩散与原因解释的不同语义，且未能捕捉全局一致的多对多对话因果关系。为解决这些局限性，我们从语义视角重新审视 ECPEC，试图将面向情感的语义与面向原因的语义解耦，并将其映射到两个互补的表示空间中，以更好地捕捉它们不同的对话角色。基于此语义解耦，我们自然地将 ECPEC 构建为情感侧与原因侧表示之间的全局对齐问题，并采用最优传输实现多对多且全局一致的情感-原因匹配。基于该视角，我们提出了统一框架 SCALE，在共享的对话结构中实例化上述语义解耦与对齐原则。在多个基准数据集上的广泛实验表明，SCALE 持续取得 SOTA 性能。我们的代码已发布于 https://github.com/CoCoSphere/SCALE。
引用
@article{arxiv.2604.19547,
title = {Emotion-Cause Pair Extraction in Conversations via Semantic Decoupling and Graph Alignment},
author = {Tianxiang Ma and Weijie Feng and Xinyu Wang and Zhiyong Cheng},
journal= {arXiv preprint arXiv:2604.19547},
year = {2026}
}