《论文阅读》Knowledge-Enriched Transformer for Emotion Detection in Textual Conversations
arXiv: Computation and Language Sep 2019
文章类型:情感对话识别以及生成
特点:结合图注意力机制、多层次自注意力机制、融合外部常识知识
本文带来Peixiang Zhong, Di Wang, Chunyan Miao共同创作的文章
简介
人类对话中的信息固有地传达情感。在文本对话中检测情绪的任务引起了广泛的应用,例如社交网络中的意见挖掘。然而,让机器分析对话中的情绪具有挑战性,部分原因是人类经常依赖上下文和常识知识来表达情绪。在本文中,我们通过提出 KnowledgeEnriched Transformer (KET) 来应对这些挑战,其中使用分层自我注意来解释上下文话语,并使用上下文感知情感图注意机制动态利用外部常识。对多个文本对话数据集的实验表明,上下文和常识知识始终对情绪检测性能有益。此外,实验结果表明,我们的 KET 模型在 F1 分数中的大多数测试数据集上都优于最先进的模型。
论文试图解决什么问题?
检测对话情感
本文中利用知识图谱检索上下文中的概念来获取相关的信息,如通过friends可以获取到[socialize、party、movie]等词汇,因此隐藏的情感信息happiness则可以很容易地从中感知。
论文中提到的解决方案之关键是什么?
该模型结构图如下所示: