論文の概要: Emotion-cause pair extraction method based on multi-granularity information and multi-module interaction
- arxiv url: http://arxiv.org/abs/2404.06812v1
- Date: Wed, 10 Apr 2024 08:00:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-11 15:10:01.532469
- Title: Emotion-cause pair extraction method based on multi-granularity information and multi-module interaction
- Title（参考訳）: 多粒度情報と多モジュール相互作用に基づく感情原因対抽出法
- Authors: Mingrui Fu, Weijiang Li,
- Abstract要約: 感情に起因したペア抽出の目的は、感情の1対の節を抽出し、原因の節を抽出することである。
既存のモデルは、サンプルの感情や原因による位置不均衡に適切に対処しない。
本稿では,GRU,知識グラフ,変圧器モジュール間の共有相互作用に基づくエンドツーエンドマルチタスクモデル(MM-ECPE)を提案する。
- 参考スコア（独自算出の注目度）: 0.6577148087211809
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The purpose of emotion-cause pair extraction is to extract the pair of emotion clauses and cause clauses. On the one hand, the existing methods do not take fully into account the relationship between the emotion extraction of two auxiliary tasks. On the other hand, the existing two-stage model has the problem of error propagation. In addition, existing models do not adequately address the emotion and cause-induced locational imbalance of samples. To solve these problems, an end-to-end multitasking model (MM-ECPE) based on shared interaction between GRU, knowledge graph and transformer modules is proposed. Furthermore, based on MM-ECPE, in order to use the encoder layer to better solve the problem of imbalanced distribution of clause distances between clauses and emotion clauses, we propose a novel encoding based on BERT, sentiment lexicon, and position-aware interaction module layer of emotion motif pair retrieval model (MM-ECPE(BERT)). The model first fully models the interaction between different tasks through the multi-level sharing module, and mines the shared information between emotion-cause pair extraction and the emotion extraction and cause extraction. Second, to solve the imbalanced distribution of emotion clauses and cause clauses problem, suitable labels are screened out according to the knowledge graph path length and task-specific features are constructed so that the model can focus on extracting pairs with corresponding emotion-cause relationships. Experimental results on the ECPE benchmark dataset show that the proposed model achieves good performance, especially on position-imbalanced samples.
- Abstract（参考訳）: 感情に起因したペア抽出の目的は、感情の1対の節を抽出し、原因の節を抽出することである。
一方,既存手法は2つの補助課題の感情抽出の関係を十分に考慮していない。
一方,既存の2段階モデルでは誤りの伝播が問題となる。
さらに、既存のモデルは、サンプルの感情や原因による位置不均衡に適切に対処しない。
これらの問題を解決するために,GRU,知識グラフ,変圧器モジュール間の共有相互作用に基づくエンドツーエンドマルチタスクモデル(MM-ECPE)を提案する。
さらに,MM-ECPEに基づくエンコーダ層を用いて文節と感情節間の節間距離の不均衡分布の解消を図るため,感情モチーフペア検索モデル(MM-ECPE(BERT))のBERT,感情辞書,位置認識相互作用モジュール層に基づく新しい符号化手法を提案する。
モデルはまず、マルチレベル共有モジュールを通じて異なるタスク間の相互作用をモデル化し、感情の原因となるペア抽出と感情抽出と原因抽出の共有情報をマイニングする。
第二に、感情節の不均衡分布と原因節の問題を解決するために、知識グラフパスの長さに応じて適切なラベルをスクリーニングし、そのモデルが対応する感情の原因関係を持つペアの抽出に集中できるようにタスク固有の特徴を構築する。
ECPEベンチマークデータセットの実験結果から,提案モデルが特に位置不均衡なサンプルに対して良好な性能を発揮することが示された。
関連論文リスト
- MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
モデルマージは、同じトレーニング済みモデルから細調整された複数のシングルタスクモデルをマルチタスクモデルに結合する効果的なアプローチである。
既存のモデルマージ手法は、平均的なタスク精度の向上に重点を置いている。
Amortized Pareto Front (MAP) を用いた新しい低計算アルゴリズム Model Merging を導入する。
論文 参考訳（メタデータ） (2024-06-11T17:55:25Z) - Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。
我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。
実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
論文 参考訳（メタデータ） (2023-06-09T06:02:01Z) - Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。
具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
論文 参考訳（メタデータ） (2023-05-17T14:30:11Z) - Pair-Based Joint Encoding with Relational Graph Convolutional Networks
for Emotion-Cause Pair Extraction [25.101027960035147]
特徴を特定の順序で逐次エンコードする手法。まず感情をエンコードし、節抽出に特徴を生じさせ、ペア抽出に組み合わせる。
これにより、後から抽出した特徴が前者と直接接触しないタスク間特徴相互作用の不均衡が生じる。
我々は新しいペアベースジョイントを提案する。
因果節をモデル化するために、結合特徴方式でペアと節を同時に生成するネットワーク。
実験により、PBNは中国のベンチマークコーパスで最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2022-12-04T15:24:14Z) - Joint Alignment of Multi-Task Feature and Label Spaces for Emotion Cause
Pair Extraction [36.123715709125015]
感情原因ペア抽出(ECPE)は、感情原因分析(ECA)の派生したサブタスクの1つである。
ECPEは感情抽出(EE)と原因抽出(CE)に関連性のある豊富な特徴を共有している
論文 参考訳（メタデータ） (2022-09-09T04:06:27Z) - Multi-Granularity Semantic Aware Graph Model for Reducing Position Bias
in Emotion-Cause Pair Extraction [23.93696773727978]
Emotion-Cause Pair extract (ECPE)タスクは、文書から感情や原因をペアとして抽出することを目的としている。
既存のメソッドでは、隣接する節間の関係をキャプチャする固定サイズウィンドウが設定されている。
細粒度と粗粒度のセマンティック特徴を併用する新しい textbfMulti-textbfGranularity textbfSemantic textbfAware textbfGraph model (MGSAG) を提案する。
論文 参考訳（メタデータ） (2022-05-04T15:39:46Z) - Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal
Sentiment Analysis [96.46952672172021]
Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。
モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
論文 参考訳（メタデータ） (2021-07-28T23:33:42Z) - A Dual-Questioning Attention Network for Emotion-Cause Pair Extraction
with Context Awareness [3.5630018935736576]
感情因果ペア抽出のためのデュアルクエストアテンションネットワークを提案する。
具体的には、文脈的・意味的回答のための注意ネットワークを通じて、候補者の感情や要因を独立に問う。
実験結果から,本手法は複数の評価指標の基準値よりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-04-15T03:47:04Z) - A Co-Interactive Transformer for Joint Slot Filling and Intent Detection [61.109486326954205]
音声言語理解システム(SLU)を構築する上では,インテント検出とスロットフィリングが主要な2つのタスクである。
以前の研究では、2つのタスクを個別にモデル化するか、インテントからスロットへの単一の情報フローのみを考慮していた。
本稿では,2つのタスク間の相互影響を同時に検討するコ・インターアクティブ・トランスフォーマーを提案する。
論文 参考訳（メタデータ） (2020-10-08T10:16:52Z) - Modality-Transferable Emotion Embeddings for Low-Resource Multimodal
Emotion Recognition [55.44502358463217]
本稿では、上記の問題に対処するため、感情を埋め込んだモダリティ変換可能なモデルを提案する。
我々のモデルは感情カテゴリーのほとんどで最先端のパフォーマンスを達成する。
私たちのモデルは、目に見えない感情に対するゼロショットと少数ショットのシナリオにおいて、既存のベースラインよりも優れています。
論文 参考訳（メタデータ） (2020-09-21T06:10:39Z) - 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。