論文の概要: A Multi-turn Machine Reading Comprehension Framework with Rethink Mechanism for Emotion-Cause Pair Extraction

• arxiv url: http://arxiv.org/abs/2209.07972v1
• Date: Fri, 16 Sep 2022 14:38:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 11:50:20.923084
• Title: A Multi-turn Machine Reading Comprehension Framework with Rethink Mechanism for Emotion-Cause Pair Extraction
• Title（参考訳）: 感情対抽出のための再思考機構を備えたマルチターン機械読解フレームワーク
• Authors: Changzhi Zhou, Dandan Song, Jing Xu, Zhijing Wu
• Abstract要約: 感情原因ペア抽出(ECPE)は感情原因分析の新たな課題である。 本稿では,ECPE タスクに対処するための再考機構 (MM-R) を備えたマルチターン MRC フレームワークを提案する。 我々のフレームワークは、ペアリング行列の生成を避けながら、感情と原因の複雑な関係をモデル化することができる。
• 参考スコア（独自算出の注目度）: 6.6564045064972825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion-cause pair extraction (ECPE) is an emerging task in emotion cause analysis, which extracts potential emotion-cause pairs from an emotional document. Most recent studies use end-to-end methods to tackle the ECPE task. However, these methods either suffer from a label sparsity problem or fail to model complicated relations between emotions and causes. Furthermore, they all do not consider explicit semantic information of clauses. To this end, we transform the ECPE task into a document-level machine reading comprehension (MRC) task and propose a Multi-turn MRC framework with Rethink mechanism (MM-R). Our framework can model complicated relations between emotions and causes while avoiding generating the pairing matrix (the leading cause of the label sparsity problem). Besides, the multi-turn structure can fuse explicit semantic information flow between emotions and causes. Extensive experiments on the benchmark emotion cause corpus demonstrate the effectiveness of our proposed framework, which outperforms existing state-of-the-art methods.
• Abstract（参考訳）: 感情起因ペア抽出(ECPE)は感情原因分析において新たな課題であり、感情起因ペアを感情文書から抽出する。 最近の研究では、ECPEタスクに取り組むためにエンドツーエンドの手法が使われている。 しかし、これらの方法はラベルスパーシティの問題に苦しむか、感情と原因の複雑な関係をモデル化できない。 さらに、いずれも節の明示的な意味情報を考慮していない。 そこで我々は,ECPEタスクを文書レベル機械読解(MRC)タスクに変換するとともに,再考機構(MM-R)を備えたマルチターンMRCフレームワークを提案する。 我々のフレームワークは、ペアリング行列を生成することを避けながら、感情と原因の複雑な関係をモデル化することができる。 さらに、マルチターン構造は感情と原因の間の明示的な意味情報の流れを融合させることができる。 ベンチマーク感情原因コーパスに関する広範囲な実験により,提案手法の有効性が実証された。

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)
• UniMEEC: Towards Unified Multimodal Emotion Recognition and Emotion Cause [18.84743213557238]
  会話におけるマルチモーダル感情認識(MERC)とマルチモーダル感情原因ペア抽出(MECPE)は近年注目されている。 我々は、感情と感情の原因の因果関係と相補性を探るため、統一マルチモーダル感情認識・感情因果分析フレームワーク(UniMEEC)を提案する。 UniMEECは、MERCとMECPEのタスクを2つのマスク予測問題として再構成し、感情と原因の相互作用を強化する。
  論文  参考訳（メタデータ） (2024-03-30T15:59:17Z)
• ECQED: Emotion-Cause Quadruple Extraction in Dialogs [37.66816413841564]
  本稿では,感情に起因した発話対と感情と原因型を検出することを必要とする,感情・因果関係の4次抽出(ECQED)を提案する。 より詳細な感情を導入し,特徴が明らかに対話生成に有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-06T19:04:30Z)
• Unsupervised Extractive Summarization of Emotion Triggers [56.50078267340738]
  我々は、感情を共同で検出し、トリガーを要約できる新しい教師なし学習モデルを開発した。 Emotion-Aware Pagerankと題された私たちのベストアプローチは、外部ソースからの感情情報と言語理解モジュールを組み合わせたものです。
  論文  参考訳（メタデータ） (2023-06-02T11:07:13Z)
• When Facial Expression Recognition Meets Few-Shot Learning: A Joint and Alternate Learning Framework [60.51225419301642]
  実践シナリオにおける人間の感情の多様性に対応するために,感情ガイド型類似ネットワーク(EGS-Net)を提案する。 EGS-Netは2段階の学習フレームワークに基づいた感情ブランチと類似性ブランチで構成されている。 In-the-labとin-the-wildの複合表現データセットの実験結果から,提案手法がいくつかの最先端手法に対して優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-18T07:24:12Z)
• Emotion Recognition from Multiple Modalities: Fundamentals and Methodologies [106.62835060095532]
  マルチモーダル感情認識(MER)のいくつかの重要な側面について論じる。 まず、広く使われている感情表現モデルと感情モダリティの簡単な紹介から始める。 次に、既存の感情アノテーション戦略とそれに対応する計算タスクを要約する。 最後に,実世界のアプリケーションについて概説し,今後の方向性について論じる。
  論文  参考訳（メタデータ） (2021-08-18T21:55:20Z)
• Emotion-aware Chat Machine: Automatic Emotional Response Generation for Human-like Emotional Interaction [55.47134146639492]
  この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。 実世界のデータを用いた実験により,提案手法は,コンテンツコヒーレンスと感情の適切性の両方の観点から,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-06T06:26:15Z)
• ECSP: A New Task for Emotion-Cause Span-Pair Extraction and Classification [0.9137554315375922]
  Emotion-Cause Span-Pair extract and classification (ECSP) という新しい課題を提案する。 ECSPは、文書中の感情とそれに対応する原因の潜在的な範囲を抽出し、それぞれの感情を分類することを目的としている。 本研究では,感情と原因を直接抽出し,文書からペア化するETCモデルを提案する。
  論文  参考訳（メタデータ） (2020-03-07T03:36:47Z)
• End-to-end Emotion-Cause Pair Extraction via Learning to Link [18.741585103275334]
  感情原因ペア抽出(ECPE)は、文書中の感情とその根本原因を共同で調査することを目的としている。 既存のECPEのアプローチでは、(1)感情と原因の検出、(2)検出された感情と原因のペアリングという2段階の手法が一般的である。 本稿では, 感情, 原因, 感情原因のペアをエンドツーエンドで同時に抽出できるマルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-25T07:49:12Z)

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。