論文の概要: Neutral Utterances are Also Causes: Enhancing Conversational Causal Emotion Entailment with Social Commonsense Knowledge

• arxiv url: http://arxiv.org/abs/2205.00759v1
• Date: Mon, 2 May 2022 09:12:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 21:44:52.668337
• Title: Neutral Utterances are Also Causes: Enhancing Conversational Causal Emotion Entailment with Social Commonsense Knowledge
• Title（参考訳）: 中性発話も原因である:社会常識知識による会話的因果感情の促進
• Authors: Jiangnan Li, Fandong Meng, Zheng Lin, Rui Liu, Peng Fu, Yanan Cao, Weiping Wang, Jie Zhou
• Abstract要約: Conversational Causal Emotion Entailmentは、会話から非ニュートラル目標発話に対する因果発話を検出することを目的としている。 感情情報は、標的発話と感情が同一である因果発話の検出を著しく促進することができる。
• 参考スコア（独自算出の注目度）: 52.04642421708207
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Conversational Causal Emotion Entailment aims to detect causal utterances for a non-neutral targeted utterance from a conversation. In this work, we build conversations as graphs to overcome implicit contextual modelling of the original entailment style. Following the previous work, we further introduce the emotion information into graphs. Emotion information can markedly promote the detection of causal utterances whose emotion is the same as the targeted utterance. However, it is still hard to detect causal utterances with different emotions, especially neutral ones. The reason is that models are limited in reasoning causal clues and passing them between utterances. To alleviate this problem, we introduce social commonsense knowledge (CSK) and propose a Knowledge Enhanced Conversation graph (KEC). KEC propagates the CSK between two utterances. As not all CSK is emotionally suitable for utterances, we therefore propose a sentiment-realized knowledge selecting strategy to filter CSK. To process KEC, we further construct the Knowledge Enhanced Directed Acyclic Graph networks. Experimental results show that our method outperforms baselines and infers more causes with different emotions from the targeted utterance.
• Abstract（参考訳）: Conversational Causal Emotion Entailmentは、会話から非ニュートラル目標発話に対する因果発話を検出することを目的としている。 本研究では,会話をグラフとして構築し,本来の包含スタイルの暗黙的コンテキストモデリングを克服する。 先行研究に続いて,感情情報をグラフにさらに紹介する。 感情情報は、標的発話と感情が同一である因果発話の検出を著しく促進することができる。 しかし、感情の異なる因果発話、特に中性発話を検出することは依然として困難である。 理由は、モデルが因果的手がかりを推論し、発話間でそれらを渡すことに制限されているからです。 この問題を軽減するために,社会常識知識(CSK)を導入し,知識拡張会話グラフ(KEC)を提案する。 KECはCSKを2つの発話間で伝搬する。 すべてのCSKが発話に感情的に適しているわけではないので、CSKをフィルタリングする感情現実化知識選択戦略を提案する。 KECを処理するために、我々はさらに知識強化非巡回グラフネットワークを構築した。 実験結果から,本手法はベースラインを上回り,ターゲット発話と異なる感情でより多くの原因を推測することがわかった。

関連論文リスト

• Think out Loud: Emotion Deducing Explanation in Dialogues [57.90554323226896]
  対話における感情推論(Emotion Deducing Explanation in Dialogues)を提案する。 EDENは感情と原因を明確な考え方で認識する。 大規模言語モデル(LLM)が感情や原因をよりよく認識するのに役立ちます。
  論文  参考訳（メタデータ） (2024-06-07T08:58:29Z)
• ECR-Chain: Advancing Generative Language Models to Better Emotion-Cause Reasoners through Reasoning Chains [61.50113532215864]
  CEE(Causal Emotion Entailment)は、ターゲット発話で表現される感情を刺激する会話における因果発話を特定することを目的としている。 CEEにおける現在の研究は、主に会話のセマンティックな相互作用と感情的な相互作用をモデル化することに焦点を当てている。 本研究では,会話中の感情表現から刺激を推測するために,ステップバイステップの推論手法である感情・因果関係(ECR-Chain)を導入する。
  論文  参考訳（メタデータ） (2024-05-17T15:45:08Z)
• Emotion Rendering for Conversational Speech Synthesis with Heterogeneous Graph-Based Context Modeling [50.99252242917458]
  会話音声合成(CSS)は,会話環境の中で適切な韻律と感情のインフレクションで発話を正確に表現することを目的としている。 データ不足の問題に対処するため、私たちはカテゴリと強度の点で感情的なラベルを慎重に作成します。 我々のモデルは感情の理解と表現においてベースラインモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-12-19T08:47:50Z)
• Dynamic Causal Disentanglement Model for Dialogue Emotion Detection [77.96255121683011]
  隠れ変数分離に基づく動的因果解離モデルを提案する。 このモデルは、対話の内容を効果的に分解し、感情の時間的蓄積を調べる。 具体的には,発話と隠れ変数の伝搬を推定する動的時間的ゆがみモデルを提案する。
  論文  参考訳（メタデータ） (2023-09-13T12:58:09Z)
• PAGE: A Position-Aware Graph-Based Model for Emotion Cause Entailment in Conversation [3.8754794750431447]
  Conversational Causal Emotion Entailment (C2E2)は、会話中のターゲット感情に対応する原因を認識することを目的としたタスクである。 会話全体を符号化し、発話間の因果関係を完全にモデル化する新しい位置認識グラフを考案する。 提案手法は,2つの挑戦的テストセット上での最先端性能を一貫して達成する。
  論文  参考訳（メタデータ） (2023-03-03T09:13:23Z)
• Knowledge-Bridged Causal Interaction Network for Causal Emotion Entailment [12.722501709772123]
  Causal Emotion Entailmentは、会話における非ニュートラル感情によるターゲット発話の原因となる因果発話を特定することを目的としている。 本稿では,3つのブリッジとして活用されるコモンセンス・ナレッジ(CSK)を用いたKBCIN(Knowledge-Bridged Causal Interaction Network)を提案する。
  論文  参考訳（メタデータ） (2022-12-06T14:13:33Z)
• Supervised Prototypical Contrastive Learning for Emotion Recognition in Conversation [25.108385802645163]
  本稿では,感情認識タスクにおけるSPCL(Supervised Prototypeal Contrastive Learning)の損失を提案する。 授業間距離に基づく難易度測定関数を設計し、極端なサンプルの影響を軽減するためのカリキュラム学習を導入する。 3つの広く使用されているベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2022-10-17T03:08:23Z)
• Recognizing Emotion Cause in Conversations [82.88647116730691]
  テキストにおける感情の原因を認識することは、NLPにおける基本的な研究領域である。 RECCONというデータセットとの会話で感情の原因を認識するタスクを紹介します。
  論文  参考訳（メタデータ） (2020-12-22T03:51:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。