论文标题：Learning contextual information and task alignment for emotion cause extraction in conversation

期刊：Frontiers of Computer Science

作者：Jun-Hao FENG, Xia-Bing ZHOU, Wen-Liang CHEN, Min ZHANG

发表时间：23 Feb 2025

DOI：10.1007/s11704-025-40931-2

微信链接：点击此处阅读微信文章

引用格式：

Jun-Hao FENG,Xia-Bing ZHOU,Wen-Liang CHEN,Min ZHANG. Learning contextual information and task alignment for emotion cause extraction in conversation. Front. Comput. Sci., 2026, 20(1): 2001308

阅读原文：

问题概述

现有的对话情感原因提取方法通常侧重于利用预训练语言模型（PLMs）来识别因果跨度，但忽视了对话动态中的关键因素。具体而言，这些方法往往忽略了情感产生时说话者与内容之间的语义一致性，以及跨任务预测中的不一致性。本文通过提出一个新的框架，整合了上下文共指解析和任务对齐，以提升因果跨度提取（CSE）。他们的研究突出了在多轮对话中进行细粒度情感分析的挑战，冗余信息和碎片化的语义连接使得精确识别情感原因变得更加困难。

技术步骤

一方面，作者提出了一个共指感知注意力机制，用于建模话语之间的语义关联，解决代词指代和实体歧义问题，从而增强上下文理解。该机制动态地将因果跨度与情感触发点在对话中进行关联。另一方面，提出了一种双层次位置关系策略：在话语层面，非线性位置嵌入捕捉对话流程；在标记层面，通过相对距离编码对跨度边界进行细化。为了对齐跨任务的预测，该框架引入了辅助任务——因果情感蕴涵（CEE），并通过最小化 CSE 与 CEE 输出之间的双向 KL 散度，确保粗粒度和细粒度原因推理的一致性。理论分析进一步推导出联合优化过程的泛化界限。

实验结果

大量实验结果表明，基于本文提出的方法，可以有效提升对话领域情感原因提取的性能。

中国学术前沿期刊网

http://journal.hep.com.cn