该论文提出了一种结合监督对比学习和回复生成任务的方法，用于增强BART模型在对话情感识别中的表现。通过对比学习，不同情感间的界限更清晰，同时，生成任务帮助模型理解上下文信息。实验表明，该模型在四个数据集上优于现有模型。
出版： AAAI
时间：2022
类型：情感对话识别（情感标签识别）
特点：监督对比学习+通过增加回复生成任务提升模型对于上下的感知
作者：Shimin Li, Hang Yan, Xipeng Qiu
第一作者机构：School of Computer Science, Fudan University
简介
在对话系统中，语义相近的话语在不同语境下可能具有不同的情感。因此，建立具有说话者依赖性的远距离情感关系在对话情感识别中起着至关重要的作用。同时，区分不同的情感类别也并非易事，因为它们通常具有相似的语义情感。为此，我们采用监督对比学习，使不同的情绪相互排斥，从而更好地识别相似的情绪。同时，我们利用一个辅助的响应生成任务来增强模型处理上下文信息的能力，从而迫使模型在不同的上下文中识别具有相似语义的情绪。为了实现这些目标，我们使用预先训练的编码器-解码器模型BART作为我们的骨干模型，因为它非常适合理解和生成任务。在四个数据集上的实验表明，我们提出的模型在对话情感识别方面明显优于现有的模型。消融研究进一步证明了监督对比损失和生成损失的有效性。
整体架构
主要思想包含三个部分：
1）对话建模，使用dialogue-level Transformer来建模历史对话中的上下文
2）采用监督对比学习，使相同情绪的样本聚合&#x
订阅专栏 解锁全文
146
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
