《论文阅读》PAGE：一个用于会话情绪原因蕴含基于位置感知的图模型 ICASSP 2023
前言
亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~
无抄袭，无复制，纯手工敲击键盘~
今天为大家带来的是《PAGE: A POSITION-AWARE GRAPH-BASED MODEL FOR EMOTION CAUSE ENTAILMENT IN CONVERSATION》
出版： ICASSP
时间：2023
类型：因果情绪蕴含
关键词：位置感知；情绪原因；蕴含；对话系统；图网络
作者：Xiaojie Gu, Renze Lou等
第一作者机构：Department of Computer Science, Hangzhou City University, Hangzhou, China
简介
我们通过举例来讲解作者的思路
A："Hey, you wanna see a movie tomorrow?"
B："Sounds like a good plan."
作者在论文中提及，如果将上述语句调换位置，则无法推断出"a good plan"其实就是指的前文提及的"see a movie"事件
因此，作者构建基于相对位置的位置关系，用于感知说话者不同语句之间的依赖关系
任务定义
在对话历史中寻找导致当前语句产生非中性情绪的原因句子
模型构架
主要包含三个模块：
1）带有情绪的语句编码（Utterances Encoding with Emotion）
2）位置感知的图（Position-aware Graph (PaG)）
3）因果分类器（Causal Classifier）
Utterances Encoding with Emotion
语句和情绪分别编码，然后两者维度变换到相同维度之后相加，得到 h c h_c hc ，之后经过自注意力层和 MLP 等得到最终的 h n h_n hn
Position-aware Graph
- 考虑到相对位置在语句之间的因果原因的转化具有重要意义
- 考虑到相同或不同说话者句子之间的序列关系对于理解信息、增强蕴含有效果
图构建
包含节点、边（ G = ( V , E , R ) \mathcal{G}=(\mathcal{V},\mathcal{E},\mathcal{R}) G=(V,E,R)）
E \mathcal{E} E 包含所有对应的三元组 ( u o , r o , t , u t ) (u_o,r_{o,t},u_t) (uo,ro,t,ut)
下图为边的计算过程，首先计算距离 D o , t D_{o,t} Do,t ，然后这只一个窗口大小 w w w ，然后结合 D o , t D_{o,t} Do,t 和 w w w 来计算 r o , t r_{o,t} ro,t
图更新
相邻节点进行更新，其中 c t , r c_{t,r} ct,r 为正则化常数
Causal Classifier
p ^ o , t = σ ( MLP ( h o ′ ⊕ h t ′ ) ) (1) \hat{p}_{o,t}=\sigma(\texttt{MLP}(h_o'\oplus h_t'))\tag1 p^o,t=σ(MLP(ho′⊕ht′))(1)
将头节点和尾节点的表示相邻合并，然后输入MLP进行预测
实验结果
此外作者对Position-aware Graph提及的窗口大小进行了实验，发现随着窗口变大，图网络复杂性也随之增加，虽然小窗口表示只有目标话语的邻接矩阵，但是具有信息丰富的位置信号。经过实验表明，窗口大小为3时最为适中