模糊指纹编码预训练语言模型用于对话情感识别：人类评估与有效性研究
计算与语言
2026-05-05 v1 人工智能
摘要
在情感识别对话 (ERC) 任务中，模型决策应与细腻的人类感知保持一致，并能提供对分类过程的洞察。标准编码器预训练语言模型 (PLM) 是此类任务的先进技术，但对为何作出特定预测几乎没有解释。这在不平衡数据集中尤为突出，因为大多数言语被标记为中性类，导致模型频繁误将少数情感预测为多数类的中性。为解决此问题，我们提出一种新颖的可解释方法，将 PLM 与模糊指纹 (FFP) 结合。FFP 提供反映 PLM 潜在空间中各类激活模式的类别特定原型。它们通过对训练实例中每个情感类别的池化情境相关嵌入激活值进行排序与模糊化得到。推断时，对每个输入言语进行相似的模糊指纹处理，并基于每个 FFP 定义的模糊集合交并联的聚合，计算其与情感原型之间的模糊相似度。实验结果表明，FFP 集成显著减少了对中性类的过度分类，人类评估进一步支持 FFP 预测的充分性。我们的方法在保持达到先进技术水平的同时，成功弥合了深度神经网络推断与人类感知之间的鸿沟，为分类过程提供了宝贵的洞察。
引用
@article{arxiv.2605.02665,
title = {Fuzzy Fingerprinting Encoder Pre-trained Language Models for Emotion Recognition in Conversations: Human Assessment and Validity Study},
author = {Patrícia Pereira and Helena Moniz and Joao Paulo Carvalho},
journal= {arXiv preprint arXiv:2605.02665},
year = {2026}
}