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(duì)情感一致性進(jìn)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(cè)對(duì)話中單個(gè)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(duì)于給定的會(huì)話，我們考慮附近的情感標(biāo)簽之間的關(guān)系，而不是獨(dú)立地預(yù)測(cè)話語的情感標(biāo)簽，并一次性為整個(gè)會(huì)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(xiàn)

第一次將ERC任務(wù)建模為序列標(biāo)記，并用CRF建模會(huì)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(gè)對(duì)話的最佳標(biāo)簽序列。

應(yīng)用多層Transformer編碼器來增強(qiáng)基于LSTM的全局上下文編碼器，這是因?yàn)樵谶h(yuǎn)距離上下文特征抽取方面，Transformer的抽取能力遠(yuǎn)強(qiáng)于LSTM。

本文在三個(gè)對(duì)話數(shù)據(jù)集上做了實(shí)驗(yàn)，實(shí)驗(yàn)表明對(duì)情感一致性和遠(yuǎn)程上下文依賴關(guān)系進(jìn)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(duì)于對(duì)話中的第t個(gè)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(gè)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(duì)于對(duì)話中的情感動(dòng)態(tài)至關(guān)重要，比如當(dāng)前說話者的情緒可以被對(duì)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(duì)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(gè)人上下文編碼器(Individual Context Encoder)

個(gè)人上下文編碼器會(huì)跟蹤每個(gè)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(duì)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(duì)方導(dǎo)致變化。

本層采用的是LSTM作為個(gè)人上下文編碼器，在每個(gè)時(shí)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(gè)人上下文編碼器的輸出st做一個(gè)拼接操作經(jīng)過全連接層送入CRF層產(chǎn)生最終的預(yù)測(cè)，并選擇選擇最大分?jǐn)?shù)的序列作為輸出。

實(shí)驗(yàn)

作者在三個(gè)對(duì)話數(shù)據(jù)集上開展了實(shí)驗(yàn)

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

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

作者在IEMOCAP數(shù)據(jù)集上對(duì)比了CESTa模型與去掉Transformer的模型變體做了對(duì)比，從下圖可以看出，當(dāng)數(shù)據(jù)集中話語長度超過54時(shí)，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(yàn)了情感一致性，比較了兩個(gè)模型，一個(gè)是帶有CRF層的CESTa模型，另一個(gè)是使用softmax層而不是CRF進(jìn)行分類的對(duì)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(duì)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(hào)：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(qǐng)注明出處。