論文の概要: Span-level Emotion-Cause-Category Triplet Extraction with Instruction Tuning LLMs and Data Augmentation

• arxiv url: http://arxiv.org/abs/2504.12331v1
• Date: Sun, 13 Apr 2025 07:31:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-26 03:42:40.433237
• Title: Span-level Emotion-Cause-Category Triplet Extraction with Instruction Tuning LLMs and Data Augmentation
• Title（参考訳）: インストラクションチューニングLDMによるスパンレベルの感情・因果三重項抽出とデータ拡張
• Authors: Xiangju Li, Dong Yang, Xiaogang Zhu, Faliang Huang, Peng Zhang, Zhongying Zhao,
• Abstract要約: スパンレベルの感情-因果三重項抽出は、感情原因分析において、新しく複雑な課題である。 本研究では、スパンレベルの感情-因果三重項抽出に対するきめ細かいアプローチについて検討する。 提案手法では,タスク固有の三重項抽出命令を用い,細管大言語モデルへの低ランク適応を利用する。
• 参考スコア（独自算出の注目度）: 12.227692591648456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Span-level emotion-cause-category triplet extraction represents a novel and complex challenge within emotion cause analysis. This task involves identifying emotion spans, cause spans, and their associated emotion categories within the text to form structured triplets. While prior research has predominantly concentrated on clause-level emotion-cause pair extraction and span-level emotion-cause detection, these methods often confront challenges originating from redundant information retrieval and difficulty in accurately determining emotion categories, particularly when emotions are expressed implicitly or ambiguously. To overcome these challenges, this study explores a fine-grained approach to span-level emotion-cause-category triplet extraction and introduces an innovative framework that leverages instruction tuning and data augmentation techniques based on large language models. The proposed method employs task-specific triplet extraction instructions and utilizes low-rank adaptation to fine-tune large language models, eliminating the necessity for intricate task-specific architectures. Furthermore, a prompt-based data augmentation strategy is developed to address data scarcity by guiding large language models in generating high-quality synthetic training data. Extensive experimental evaluations demonstrate that the proposed approach significantly outperforms existing baseline methods, achieving at least a 12.8% improvement in span-level emotion-cause-category triplet extraction metrics. The results demonstrate the method's effectiveness and robustness, offering a promising avenue for advancing research in emotion cause analysis. The source code is available at https://github.com/zxgnlp/InstruDa-LLM.
• Abstract（参考訳）: スパンレベルの感情-因果三重項抽出は、感情原因分析において、新しく複雑な課題である。 このタスクは、テキスト内の感情スパン、原因スパン、およびそれらの関連する感情カテゴリを識別して、構造化三重項を形成する。 先行研究は、ペア抽出とスパンレベルの感情検出に主に集中しているが、これらの手法は、冗長な情報検索と感情カテゴリーを正確に決定する難しさ、特に感情が暗黙的または曖昧に表現される場合の難しさから生じる課題に直面することが多い。 これらの課題を克服するために、この研究では、スパンレベルの感情-因果三重項抽出へのきめ細かいアプローチを探求し、大規模言語モデルに基づく命令チューニングとデータ拡張技術を活用した革新的なフレームワークを導入する。 提案手法は,タスク固有の三重項抽出命令を用いて,タスク固有の複雑なアーキテクチャの必要性を排除し,微調整された大規模言語モデルへの低ランク適応を利用する。 さらに,高品質な合成学習データを生成する際に,大規模言語モデルを導くことにより,データ不足に対応するために,プロンプトベースのデータ拡張戦略を開発した。 大規模な実験的評価は、提案手法が既存のベースライン法を著しく上回り、少なくとも12.8%の改善を達成していることを示している。 この手法の有効性と頑健さを実証し,感情原因分析研究の進展に期待できる道を提供する。 ソースコードはhttps://github.com/zxgnlp/InstruDa-LLMで入手できる。

関連論文リスト

• Large Language Models on Fine-grained Emotion Detection Dataset with Data Augmentation and Transfer Learning [1.124958340749622]
  本研究の目的は,テキスト中の微妙な感情を検出することの課題に対処することである。 この発見は、テキストにおける感情検出の課題に対処するための貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-10T06:30:54Z)
• Data Augmentation for Emotion Detection in Small Imbalanced Text Data [0.0]
  課題の1つは、感情で注釈付けされた利用可能なデータセットが不足していることだ。 我々は、小さな不均衡なデータセットに適用した場合に、データ拡張技術が与える影響を正確に調査した。 実験結果から,分類器モデルの訓練に拡張データを用いることで,大幅な改善が得られた。
  論文  参考訳（メタデータ） (2023-10-25T21:29:36Z)
• 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)
• Boosting Event Extraction with Denoised Structure-to-Text Augmentation [52.21703002404442]
  イベント抽出は、テキストから事前に定義されたイベントトリガと引数を認識することを目的としている。 最近のデータ拡張手法は文法的誤りの問題を無視することが多い。 本稿では,イベント抽出DAEEのための記述構造からテキストへの拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-16T16:52:07Z)
• A Hierarchical Regression Chain Framework for Affective Vocal Burst Recognition [72.36055502078193]
  本稿では,声帯からの感情認識のための連鎖回帰モデルに基づく階層的枠組みを提案する。 データスパシティの課題に対処するため、レイヤワイドおよび時間アグリゲーションモジュールを備えた自己教師付き学習(SSL)表現も使用しています。 提案されたシステムは、ACII Affective Vocal Burst (A-VB) Challenge 2022に参加し、「TWO」および「CULTURE」タスクで第1位となった。
  論文  参考訳（メタデータ） (2023-03-14T16:08:45Z)
• Affect-DML: Context-Aware One-Shot Recognition of Human Affect using Deep Metric Learning [29.262204241732565]
  既存の方法は、すべての関心の感情に注釈付きトレーニングの例として優先順位が与えられると仮定している。 我々は、文脈における感情のワンショット認識を概念化し、単一のサポートサンプルからより細かい粒子レベルの人間の影響状態を認識することを目的とした新しい問題である。 モデルの全変種は、ランダムなベースラインよりも明らかに優れており、セマンティックシーンのコンテキストを活用することで、学習された表現を一貫して改善している。
  論文  参考訳（メタデータ） (2021-11-30T10:35:20Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)
• 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)
• Target Guided Emotion Aware Chat Machine [58.8346820846765]
  意味レベルと感情レベルにおける投稿に対する応答の整合性は、人間のような対話を提供する対話システムにとって不可欠である。 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。
  論文  参考訳（メタデータ） (2020-11-15T01:55:37Z)
• 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。