位置偏差缓解：一种用于情绪原因抽取的知识感知图模型
计算与语言
2023-12-20 v3 人工智能
摘要
情绪原因抽取（ECE）任务旨在识别文本中针对特定表达情绪包含引发情绪信息的子句。我们观察到，一个广泛使用的 ECE 数据集存在一种偏差，即大多数标注的原因子句要么直接位于其关联情绪子句之前，要么本身就是情绪子句。现有的 ECE 模型往往利用此类相对位置信息，因而受困于该数据集偏差。为考察现有 ECE 模型对子句相对位置的依赖程度，我们提出一种新颖策略来生成对抗样本，其中相对位置信息不再是原因子句的指示性特征。我们在此类对抗样本上测试现有模型的性能，观察到显著的性能下降。为应对数据集偏差，我们提出一种新颖的基于图的方法，通过利用常识知识显式建模情绪触发路径，以增强候选子句与情绪子句之间的语义依赖。实验结果表明，我们提出的方法在原始 ECE 数据集上与现有最优方法表现相当，且相比现有模型对对抗攻击更具鲁棒性。
引用
@article{arxiv.2106.03518,
title = {Position Bias Mitigation: A Knowledge-Aware Graph Model for Emotion Cause Extraction},
author = {Hanqi Yan and Lin Gui and Gabriele Pergola and Yulan He},
journal= {arXiv preprint arXiv:2106.03518},
year = {2023}
}
备注
ACL2021 Main Conference, Oral paper