LineConGraphs：基于图神经网络实现有效情绪识别的线性对话图
计算与语言
2023-12-08 v1 人工智能
人机交互
机器学习
摘要
对话中的情绪识别（ERC）是情感计算的一个关键方面，在医疗保健、教育、聊天机器人和社交媒体平台中有许多实际应用。早期的 ERC 分析方法涉及使用图神经网络架构对说话者和长期上下文信息进行建模。然而，对于实际应用而言，部署与说话者无关的模型是理想的。此外，长上下文窗口可能会在识别对话中某个话语的情绪时造成混淆。为了克服这些局限性，我们提出了一种新颖的线性对话图卷积网络和图注意力模型用于 ERC 分析。这些模型与说话者无关，并使用一种对话图构建策略——线性对话图构建。LineConGraphs 中的对话上下文是短期的——仅限于一个先前和未来的话语，并且说话者信息不是图的一部分。我们在两个基准数据集 IEMOCAP 和 MELD 上评估了所提出模型的性能，并表明我们的 LineConGAT 模型优于现有方法，F1 分数分别为 64.58% 和 76.50%。此外，我们证明将情感转换信息嵌入线性对话图进一步增强了 GCN 模型在 ERC 中的性能。
引用
@article{arxiv.2312.03756,
title = {LineConGraphs: Line Conversation Graphs for Effective Emotion Recognition using Graph Neural Networks},
author = {Gokul S Krishnan and Sarala Padi and Craig S. Greenberg and Balaraman Ravindran and Dinesh Manoch and Ram D. Sriram},
journal= {arXiv preprint arXiv:2312.03756},
year = {2023}
}
备注
13 pages, 6 figures