用于细粒度情感分类的标签感知双曲嵌入
计算与语言
2023-06-27 v1 人工智能
摘要
细粒度情感分类（FEC）是一项具有挑战性的任务。具体而言，FEC 需要处理标签间细微的语义差别，这可能复杂且易混淆。大多数现有模型仅在欧氏空间中解决文本分类问题，我们认为这可能并非最优解，因为语义相近的标签（如 afraid 与 terrified）在此类空间中可能无法被区分，从而损害性能。本文提出 HypEmo，一种可整合双曲嵌入以改进 FEC 任务的新框架。首先，我们在双曲空间中学习标签嵌入以更好地捕捉其层次结构，随后我们的模型将上下文表示投影至双曲空间以计算样本与标签间的距离。实验结果表明，将此类距离用于加权交叉熵损失可显著提升性能且效率更高。我们在两个基准数据集上评估所提模型，相较先前最优结果取得 4.8% 的相对提升，且参数减少 43.2%、训练时间减少 76.9%。代码见 https://github.com/dinobby/HypEmo。
引用
@article{arxiv.2306.14822,
title = {Label-Aware Hyperbolic Embeddings for Fine-grained Emotion Classification},
author = {Chih-Yao Chen and Tun-Min Hung and Yi-Li Hsu and Lun-Wei Ku},
journal= {arXiv preprint arXiv:2306.14822},
year = {2023}
}
备注
Accepted to ACL 2023