將對話中的情感分類任務(wù)建模為序列標(biāo)注 并對情感一致性進行建模

本文是平安科技發(fā)表在ACL2020上的一篇論文，思路比較新穎，它將ERC任務(wù)看做序列標(biāo)注任務(wù)，并對情感一致性進行建模。

之前解決ERC的思路是利用上下文的話語特征預(yù)測對話中單個話語的情感標(biāo)簽，但是這樣做忽略了情感標(biāo)簽之間的固有關(guān)系。本在本文中，作者提出了一種將情感分類看作序列標(biāo)注的模型。對于給定的會話，我們考慮附近的情感標(biāo)簽之間的關(guān)系，而不是獨立地預(yù)測話語的情感標(biāo)簽，并一次性為整個會話選擇全局最佳的標(biāo)簽序列。**情感一致性(emotional consistency)**就是指說話者下一句話的情感與這一句話的情感呈現(xiàn)出一致性。

本文的貢獻

第一次將ERC任務(wù)建模為序列標(biāo)記，并用CRF建模會話中的情感一致性。CRF層利用上文和下文的情感標(biāo)簽來聯(lián)合解碼整個對話的最佳標(biāo)簽序列。

應(yīng)用多層Transformer編碼器來增強基于LSTM的全局上下文編碼器，這是因為在遠距離上下文特征抽取方面，Transformer的抽取能力遠強于LSTM。

本文在三個對話數(shù)據(jù)集上做了實驗，實驗表明對情感一致性和遠程上下文依賴關(guān)系進行建?？梢蕴岣咔楦蟹诸惖男阅?。

模型

作者提出了Contextualized Emotion Sequence Tagging(CESTa)模型

話語特征提取(Utterances Features)

對于對話中的第t個話語，其句子表示**ut**由單層CNN提取并饋入全局上下文編碼器和個人上下文編碼器。

全局上下文編碼器(Global Context Encoder)

說話者之間的依賴關(guān)系對于對話中的情感動態(tài)至關(guān)重要，比如當(dāng)前說話者的情緒可以被對方的話語改變，因此必須考慮上下文信息。全局上下文編碼器對所有句子編碼，使用的是多層Transformer + BiLSTM，意在捕捉長距離上下文信息。

個人上下文編碼器(Individual Context Encoder)

個人上下文編碼器會跟蹤每個說話者的自我依賴關(guān)系，從而反映出說話者在談話過程中對自己的情感影響。在情感慣性的影響下，說話者傾向于保持穩(wěn)定的情緒狀態(tài)，直到對方導(dǎo)致變化。

本層采用的是LSTM作為個人上下文編碼器，在每個時間步輸出所有說話者的狀態(tài)。

CRF層

全局上下文編碼器的輸出gt和個人上下文編碼器的輸出st做一個拼接操作經(jīng)過全連接層送入CRF層產(chǎn)生最終的預(yù)測，并選擇選擇最大分數(shù)的序列作為輸出。

實驗

作者在三個對話數(shù)據(jù)集上開展了實驗

與baseline相比，本文的模型在三個數(shù)據(jù)集上均取得了SOTA結(jié)果

研究Transformer Enhancing在不同長度對話上的表現(xiàn)

作者在IEMOCAP數(shù)據(jù)集上對比了CESTa模型與去掉Transformer的模型變體做了對比，從下圖可以看出，當(dāng)數(shù)據(jù)集中話語長度超過54時，兩者之間的差距變大，體現(xiàn)出了Transformer在捕捉長距離上下文特征的能力。

情感一致性分析

作者在IEMOCAP數(shù)據(jù)集上檢驗了情感一致性，比較了兩個模型，一個是帶有CRF層的CESTa模型，另一個是使用softmax層而不是CRF進行分類的對比模型，從下圖可以看出CESTa模型較好地學(xué)習(xí)了情感一致性。

責(zé)任編輯：xj

原文標(biāo)題：【ACL2020】CESTa, 將對話中的情感分類任務(wù)建模為序列標(biāo)注任務(wù)

文章出處：【微信公眾號：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。