面向情绪原因对抽取的多任务特征与标签空间联合对齐
计算与语言
2022-09-12 v1 人工智能
摘要
情绪原因对抽取（ECPE）作为情绪原因分析（ECA）的衍生子任务之一，与情绪抽取（EE）和原因抽取（CE）共享丰富的相互关联特征。因此，EE和CE常被用作辅助任务以更好地进行特征学习，已有工作通过多任务学习（MTL）框架建模，取得了最先进（SoTA）的ECPE结果。然而，现有基于MTL的方法要么未能同时建模特定特征与其间的交互特征，要么受困于标签预测的不一致性。本工作中，我们考虑通过一种新颖的A^2Net模型执行两种对齐机制来解决上述挑战以改进ECPE。我们首先提出特征–任务对齐，以显式建模特定的情绪与原因特定特征以及共享的交互特征。此外，实现了任务间对齐，其中学习ECPE与EE&CE组合之间的标签距离以缩小从而获得更好的标签一致性。在基准上的评估表明，我们的方法在所有ECA子任务上均优于当前性能最佳的系统。进一步分析证明了我们所提对齐机制对该任务的重要性。
引用
@article{arxiv.2209.04112,
title = {Joint Alignment of Multi-Task Feature and Label Spaces for Emotion Cause Pair Extraction},
author = {Shunjie Chen and Xiaochuan Shi and Jingye Li and Shengqiong Wu and Hao Fei and Fei Li and Donghong Ji},
journal= {arXiv preprint arXiv:2209.04112},
year = {2022}
}
备注
Accepted by Coling 2022