Affective Reasoning at Utterance Level in Conversations: A Causal Discovery Approach

要約

タイトル：会話における発話レベルでの感情推論：因果探索アプローチ

要約：
– 発話レベルでの感情推論タスクには、会話内の感情認識（ERC）、感情原因の抽出（ECPE）、そして感情原因の範囲の認識（ECSR）などがある。
– 現存する方法は、暗黙的原因の観測不可能性やスケルトンの一意性の不確定性により、明白な関係について様々な仮定を立てているが、本論文ではこれらの問題に対処し、会話における因果関係を発見する新しい方法「会話型感情因果探索（CACD）」を提案。
– CACD は以下の 2 つの手順から構成される：
– （i）変数長会話内のすべての発話に対する共通の中心グラフノード因果スケルトンの構築
– （ii）原因を生成する暗黙的原因と既知の明白な原因を組み合わせて、原因表現を生成する因果型オートエンコーダ（CAE）を使用してスケルトンを修正する。
– 全面的な実験により、CACD は、3 つのタスクの 6 つの感情関連データセットにおいて、既存の最先端ベースラインを大きく上回ることが示された。

要約(オリジナル)

The affective reasoning task is a set of emerging affect-based tasks in conversation, including Emotion Recognition in Conversation (ERC),Emotion-Cause Pair Extraction (ECPE), and Emotion-Cause Span Recognition (ECSR). Existing methods make various assumptions on the apparent relationship while neglecting the essential causal model due to the nonuniqueness of skeletons and unobservability of implicit causes. This paper settled down the above two problems and further proposed Conversational Affective Causal Discovery (CACD). It is a novel causal discovery method showing how to discover causal relationships in a conversation via designing a common skeleton and generating a substitute for implicit causes. CACD contains two steps: (i) building a common centering one graph node causal skeleton for all utterances in variable-length conversations; (ii) Causal Auto-Encoder (CAE) correcting the skeleton to yield causal representation through generated implicit causes and known explicit causes. Comprehensive experiments demonstrate that our novel method significantly outperforms the SOTA baselines in six affect-related datasets on the three tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI