PVG 在 WASSA 2021 上的方案：一种用于共情与痛苦预测的多输入多任务 Transformer 架构
计算与语言
2021-03-08 v1 人机交互
机器学习
摘要
关于共情与痛苦这一情感现象的研究对于改善人机交互具有重要价值。从文本数据预测此类复杂情绪的强度十分困难，因为这些构念深深植根于心理学理论。因此，为了获得更好的预测效果，必须考虑辅助因素，如心理测试分数、人口统计学特征、潜在的原始情绪，以及文本的言外之意及其心理复杂性。本文提出了 PVG 团队针对 WASSA 2021「预测对新闻故事的共情与情绪」共享任务的解决方案。利用文本数据、人口统计学特征、心理测试分数以及原始情绪与共情之间的内在相互依赖关系，我们提出了一种用于共情分数预测任务的多输入多任务框架。其中，共情分数预测被视为主要任务，而情绪与共情分类被视为次要辅助任务。对于痛苦分数预测任务，通过加入词汇特征进一步提升了系统性能。我们的提交在平均相关性（0.545）以及痛苦相关性（0.574）上排名第 1，在共情 Pearson 相关性（0.517）上排名第 2。
引用
@article{arxiv.2103.03296,
title = {PVG at WASSA 2021: A Multi-Input, Multi-Task, Transformer-Based Architecture for Empathy and Distress Prediction},
author = {Atharva Kulkarni and Sunanda Somwase and Shivam Rajput and Manisha Marathe},
journal= {arXiv preprint arXiv:2103.03296},
year = {2021}
}
备注
Accepted at the 11th Workshop on Computational Approaches to Subjectivity, Sentiment and Social Media Analysis (WASSA 2021), co-located with EACL 2021