ERNetCL：一种基于课程学习策略的文本对话情感识别新网络
计算与语言
2024-01-26 v2
摘要
对话情感识别（ERC）已成为对话机器人与问答系统等领域的研究热点。如何高效且充分地检索上下文情感线索，一直是 ERC 任务中的关键挑战之一。现有方法未能充分建模上下文并采用了复杂的网络结构，导致性能提升有限。本文提出一种基于课程学习策略的新型情感识别网络（ERNetCL）。所提出的 ERNetCL 主要由时间编码器（TE）、空间编码器（SE）和课程学习（CL）损失组成。我们利用 TE 与 SE 以简洁的方式结合已有方法的优势，高效捕获对话中的时间与空间上下文信息。为缓解情感转移带来的有害影响并模拟人类由易到难学习课程的方式，我们将 CL 的思想应用于 ERC 任务，以逐步优化网络参数。在训练初期，我们对困难样本赋予较低的学习权重；随着训练轮数（epoch）增加，这些样本的学习权重逐渐提高。在四个数据集上的大量实验表明，我们所提方法有效且大幅优于其他基线模型。
引用
@article{arxiv.2308.06450,
title = {ERNetCL: A novel emotion recognition network in textual conversation based on curriculum learning strategy},
author = {Jiang Li and Xiaoping Wang and Yingjian Liu and Zhigang Zeng},
journal= {arXiv preprint arXiv:2308.06450},
year = {2024}
}
备注
Accepted by Knowledge-Based Systems (KBS)