《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