论文泛读134用于情感原因提取的多任务学习和自适应知识模型

Posted 2021-06-29 及时行樂_

贴一下汇总贴：论文阅读记录

论文链接：《Multi-Task Learning and Adapted Knowledge Models for Emotion-Cause Extraction》

一、摘要

检测文本中表达的情绪是自然语言处理中一个经过充分研究的问题。然而，关于更细粒度的情绪分析（例如导致情绪的原因）的研究仍处于起步阶段。我们提出了以联合方式处理情绪识别和情绪原因检测的解决方案。考虑到常识知识在理解隐​​式表达的情绪及其产生这些情绪的原因方面起着重要作用，我们提出了通过自适应知识模型将常识知识与多任务学习相结合的新方法，以执行联合情绪分类和情绪原因标记. 当包括常识推理和多任务框架时，我们在这两个任务上都显示了性能改进。我们提供全面的分析，以深入了解模型性能。

二、结论

我们提出了一个常识性知识增强的多任务框架，用于联合情感检测和情感原因标注。我们通过COMET将常识性推理纳入其中，并结合多任务学习，在两种任务上的表现都有所提高，包括在情绪分类上的显著提高。我们强调了这样一个事实，即该工作将原因提取任务框架为跨度标记任务，允许未来可能在每个输入中包含多个情绪-原因对，或每个情绪中包含多个原因，并允许原因扮演任何语法角色。最后，我们对我们的数据集和模型进行了分析，表明标注情感及其语义角色是一项困难的任务，由于注释者的可变性，但常识性知识有助于语言模型关注人类注释者最突出的情感。在未来的工作中，我们希望探索如何将常识性知识更自然地整合到我们的分类器中，以及如何将这些模型应用于其他精细的情绪任务，如检测体验者或情绪的目标。

三、模型

情绪的原因可以通过不同的句法成分来表达，如从句、动词短语或名词短语。

我们将情绪检测任务作为E ={愤怒、厌恶、恐惧、快乐、悲伤、消极惊奇、积极惊奇}的七种分类任务。