Co-evolving Graph Reasoning Network for Emotion-Cause Pair Extraction

要約

感情原因ペア抽出 (ECPE) は、文書からすべての感情節とそれに対応する原因節を抽出することを目的としています。
既存のアプローチは、2 つのサブタスクが ECPE に示唆的な手がかりを提供するマルチタスク学習 (MTL) フレームワークを通じてこのタスクに取り組んでいます。
ただし、以前の MTL フレームワークでは、マルチタスク推論の 1 ラウンドのみが考慮され、ECPE からサブタスクへの逆フィードバックは無視されます。
さらに、そのマルチタスク推論はセマンティクスレベルの相互作用のみに依存しているため、明示的な依存関係を捉えることができず、エンコーダの共有とマルチタスクの隠れ状態の連結の両方では因果関係をほとんど捉えることができません。
これらの問題を解決するために、私たちはまず、共進化推論に基づいた新しい MTL フレームワークを提案しました。
(1) ECPE とそのサブタスク間の双方向フィードバックをモデル化します。
(2) 3 つのタスクを一緒に進化させ、相互に繰り返し促すことができます。
(3) 予測レベルの相互作用を統合して、明示的な依存関係をキャプチャします。
次に、因果関係を十分に活用するための新しいマルチタスク リレーショナル グラフ (MRG) を提案します。
最後に、MTL フレームワークを実装し、MRG 上で共進化推論を実行する共進化グラフ推論ネットワーク (CGR-Net) を提案します。
実験結果は、私たちのモデルが新しい最先端のパフォーマンスを達成することを示しており、さらなる分析によって私たちの方法の利点が確認されています。

要約(オリジナル)

Emotion-Cause Pair Extraction (ECPE) aims to extract all emotion clauses and their corresponding cause clauses from a document. Existing approaches tackle this task through multi-task learning (MTL) framework in which the two subtasks provide indicative clues for ECPE. However, the previous MTL framework considers only one round of multi-task reasoning and ignores the reverse feedbacks from ECPE to the subtasks. Besides, its multi-task reasoning only relies on semantics-level interactions, which cannot capture the explicit dependencies, and both the encoder sharing and multi-task hidden states concatenations can hardly capture the causalities. To solve these issues, we first put forward a new MTL framework based on Co-evolving Reasoning. It (1) models the bidirectional feedbacks between ECPE and its subtasks; (2) allows the three tasks to evolve together and prompt each other recurrently; (3) integrates prediction-level interactions to capture explicit dependencies. Then we propose a novel multi-task relational graph (MRG) to sufficiently exploit the causal relations. Finally, we propose a Co-evolving Graph Reasoning Network (CGR-Net) that implements our MTL framework and conducts Co-evolving Reasoning on MRG. Experimental results show that our model achieves new state-of-the-art performance, and further analysis confirms the advantages of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google