长短距离图神经网络及情感识别对话中的改进课程学习
机器学习
2025-11-21 v2 人工智能
计算与语言
摘要
情感识别在对话中（ERC）是一个实用且具有挑战性的任务。本文提出一种新型多模态方法——长短距离图神经网络（Long-Short Distance Graph Neural Network, LSDGNN）。基于有向无环图（DAG），它构建了长距离图神经网络和短距离图神经网络，分别获取遥远和相邻语料的多模态特征。为确保长距离和短距离特征在表示上尽可能不同，同时实现两者之间的相互影响，我们采用差分正则化器，并引入双仿射模块以促进特征互动。此外，我们提出改进课程学习（Improved Curriculum Learning, ICL）以解决数据不平衡问题。通过计算不同情感之间的相似度，以强调相似情感的变化，设计了“加权情感位移”指标并开发难度测量器，实现优先学习易样本再学习难样本的训练过程。在 IEMOCAP 和 MELD 数据集上的实验结果表明，我们的模型在现有基准测试中取得了优异性能。
引用
@article{arxiv.2507.15205,
title = {Long-Short Distance Graph Neural Networks and Improved Curriculum Learning for Emotion Recognition in Conversation},
author = {Xinran Li and Xiujuan Xu and Jiaqi Qiao},
journal= {arXiv preprint arXiv:2507.15205},
year = {2025}
}
备注
Accepted by the 28th European Conference on Artificial Intelligence (ECAI 2025)