論文の概要: Discourse-Aware Emotion Cause Extraction in Conversations

• arxiv url: http://arxiv.org/abs/2210.14419v1
• Date: Wed, 26 Oct 2022 02:11:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 14:13:12.828542
• Title: Discourse-Aware Emotion Cause Extraction in Conversations
• Title（参考訳）: 会話における談話認識感情の抽出
• Authors: Dexin Kong, Nan Yu, Yun Yuan, Guohong Fu, Chen Gong
• Abstract要約: 会話における感情的原因抽出(ECEC)は、会話における感情的原因を含む発話を抽出することを目的としている。 本稿では,この課題に対する談話認識モデル(DAM)を提案する。 ベンチマークコーパスの結果、DAMは文学における最先端システム(SOTA)よりも優れていた。
• 参考スコア（独自算出の注目度）: 21.05202596080196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion Cause Extraction in Conversations (ECEC) aims to extract the utterances which contain the emotional cause in conversations. Most prior research focuses on modelling conversational contexts with sequential encoding, ignoring the informative interactions between utterances and conversational-specific features for ECEC. In this paper, we investigate the importance of discourse structures in handling utterance interactions and conversationspecific features for ECEC. To this end, we propose a discourse-aware model (DAM) for this task. Concretely, we jointly model ECEC with discourse parsing using a multi-task learning (MTL) framework and explicitly encode discourse structures via gated graph neural network (gated GNN), integrating rich utterance interaction information to our model. In addition, we use gated GNN to further enhance our ECEC model with conversation-specific features. Results on the benchmark corpus show that DAM outperform the state-of-theart (SOTA) systems in the literature. This suggests that the discourse structure may contain a potential link between emotional utterances and their corresponding cause expressions. It also verifies the effectiveness of conversationalspecific features. The codes of this paper will be available on GitHub.
• Abstract（参考訳）: 会話における感情的原因抽出(ECEC)は、会話における感情的原因を含む発話を抽出することを目的としている。 従来の研究は、逐次符号化による会話コンテキストのモデル化に重点を置いており、ECECCにおける発話と会話特有の特徴の間の情報的相互作用を無視している。 本稿では,ECECにおける発話対話処理における会話構造の重要性について検討する。 そこで本研究では,この課題に対する談話認識モデル(DAM)を提案する。 具体的には,マルチタスク学習(MTL)フレームワークを用いた談話解析と協調してECECをモデル化し,ゲートグラフニューラルネットワーク(ゲートGNN)による談話構造を明示的に符号化する。 さらに、ゲートGNNを使用して、会話特化機能を備えたECECモデルをさらに強化します。 ベンチマークコーパスの結果、DAMは文学における最先端システム(SOTA)よりも優れていた。 このことは、談話構造が感情的発話とそれに対応する原因表現との潜在的なリンクを含んでいることを示唆している。 また、会話特有の機能の有効性を検証する。 この論文のコードはgithubで入手できる。

関連論文リスト

• BiosERC: Integrating Biography Speakers Supported by LLMs for ERC Tasks [2.9873893715462176]
  本研究は,会話における話者特性を調査するBiosERCという新しいフレームワークを紹介する。 本研究では,Large Language Models (LLMs) を用いて,会話中の話者の「生体情報」を抽出する。 提案手法は,3つの有名なベンチマークデータセットを用いて,最先端のSOTA(State-of-the-art)結果を得た。
  論文  参考訳（メタデータ） (2024-07-05T06:25:34Z)
• Multi-turn Dialogue Comprehension from a Topic-aware Perspective [70.37126956655985]
  本稿では,話題認識の観点から,マルチターン対話をモデル化することを提案する。 対話文のセグメント化アルゴリズムを用いて、対話文を教師なしの方法でトピック集中フラグメントに分割する。 また,トピックセグメントを処理要素として扱う新しいモデルとして,トピック認識デュアルアテンションマッチング(TADAM)ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T11:03:55Z)
• 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)
• Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
  汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。 ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-04T16:04:41Z)
• Unsupervised Dialogue Topic Segmentation with Topic-aware Utterance Representation [51.22712675266523]
  対話トピック(DTS)は、様々な対話モデリングタスクにおいて重要な役割を果たす。 本稿では,ラベルなし対話データからトピック対応発話表現を学習する,教師なしDSSフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-04T11:35:23Z)
• Context-Dependent Embedding Utterance Representations for Emotion Recognition in Conversations [1.8126187844654875]
  我々は会話の文脈を利用した会話における感情認識にアプローチする。 それぞれの発話の文脈依存的な埋め込み表現を提案する。 提案手法の有効性は,オープンドメインのDailyDialogデータセットとタスク指向のEmoWOZデータセットで検証される。
  論文  参考訳（メタデータ） (2023-04-17T12:37:57Z)
• FCTalker: Fine and Coarse Grained Context Modeling for Expressive Conversational Speech Synthesis [75.74906149219817]
  Conversational Text-to-Speech (TTS) は、会話の文脈において、適切な言語的・感情的な韻律で発話を合成することを目的としている。 本稿では, 音声生成時に, 微細で粗い文脈依存性を同時に学習する, FCTalkerと呼ばれる新しい表現型会話型TSモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-27T12:20:20Z)
• Graph Based Network with Contextualized Representations of Turns in Dialogue [0.0]
  対話に基づく関係抽出(RE)は、対話に現れる2つの引数間の関係を抽出することを目的としている。 本稿では,対話の理解方法に着目したTUCORE-GCN(TUrn Context aware Graph Convolutional Network)を提案する。
  論文  参考訳（メタデータ） (2021-09-09T03:09:08Z)
• Discovering Dialog Structure Graph for Open-Domain Dialog Generation [51.29286279366361]
  chitchat corporaの対話構造を無監督で発見します。 次に、下流システムでのダイアログ生成を容易にするために利用します。 本稿では,グラフニューラルネットワーク(DVAE-GNN)を用いた離散変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-12-31T10:58:37Z)
• Structured Attention for Unsupervised Dialogue Structure Induction [110.12561786644122]
  本稿では、構造化された注意層を離散潜在状態を持つ変化型リカレントニューラルネットワーク(VRNN)モデルに組み込んで、教師なしの方法で対話構造を学ぶことを提案する。 バニラVRNNと比較して、構造化された注意は、構造的帰納バイアスを強制しながら、ソース文の埋め込みの異なる部分にフォーカスすることができる。
  論文  参考訳（メタデータ） (2020-09-17T23:07:03Z)
• Dialogue Relation Extraction with Document-level Heterogeneous Graph Attention Networks [21.409522845011907]
  対話関係抽出(DRE)は,多人数対話で言及される2つのエンティティ間の関係を検出することを目的としている。 本稿では,グラフが有意に接続された話者,エンティティ,エンティティタイプ,発話ノードを含むDREのためのグラフ注意ネットワーク方式を提案する。 このグラフに基づくアプローチは,対話における異なるエンティティペア間の関係を効果的に捉え,最先端のアプローチよりも優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2020-09-10T18:51:48Z)

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。