利用Transformer和弱监督学习建模书面故事中的情感轨迹

讲故事是人类交流的重要组成部分，可以唤起情感并影响听众的情感状态。因此，自动建模故事中的情感轨迹引起了广泛关注。然而，由于大多数现有工作局限于基于无监督词典方法，尚无该任务的基准。我们通过为现有儿童故事数据集（该数据集最初标注为离散情感类别）引入连续的价值和唤醒标签来填补这一空白。我们收集了额外的标注数据，并将类别标签映射到连续的价值和唤醒空间。对于预测所获得的情感信号，我们对DeBERTa模型进行微调，并通过弱监督学习方法对其进行改进。最佳配置在测试集上实现了价值$0.8221$的CCC和唤醒$0.7125$的CCC，表明我们提出的方法具有有效性。详细分析显示结果因作者、 individual story 或故事章节等因素而有所不同。此外，我们通过调查难以预测的实例揭示了该方法的局限性。