Enhancing Large Language Model with Decomposed Reasoning for Emotion Cause Pair Extraction

要約

感情原因ペア抽出 (ECPE) には、文書内の感情とその原因を表す文節ペアの抽出が含まれます。
既存の手法は、意味論的な特徴を捕捉するのではなく、既存のベンチマーク データセットの位置バイアスなどの偽の相関を過剰適合する傾向があります。
最近の研究に触発され、大規模言語モデル (LLM) を活用して、追加のトレーニングなしで ECPE タスクに対処することを検討します。
LLM は強力な機能にもかかわらず、制御不能な出力に悩まされ、その結果、平凡なパフォーマンスになります。
これに対処するために、人間の認知プロセスを模倣する思考連鎖を導入し、分解された感情原因連鎖 (DECC) フレームワークを提案します。
DECC は、推論の誘導と論理枝刈りを組み合わせて、LLM が ECPE タスクに取り組むようガイドします。
コンテキスト内学習を組み込むことで、フレームワークをさらに強化します。
実験結果は、最先端の監視付き微調整方法と比較した DECC の強みを示しています。
最後に、さまざまな LLM ベース、再調整されたデータセット、マルチペア抽出などのさまざまなシナリオにおける各コンポーネントの有効性とメソッドの堅牢性を分析します。

要約(オリジナル)

Emotion-Cause Pair Extraction (ECPE) involves extracting clause pairs representing emotions and their causes in a document. Existing methods tend to overfit spurious correlations, such as positional bias in existing benchmark datasets, rather than capturing semantic features. Inspired by recent work, we explore leveraging large language model (LLM) to address ECPE task without additional training. Despite strong capabilities, LLMs suffer from uncontrollable outputs, resulting in mediocre performance. To address this, we introduce chain-of-thought to mimic human cognitive process and propose the Decomposed Emotion-Cause Chain (DECC) framework. Combining inducing inference and logical pruning, DECC guides LLMs to tackle ECPE task. We further enhance the framework by incorporating in-context learning. Experiment results demonstrate the strength of DECC compared to state-of-the-art supervised fine-tuning methods. Finally, we analyze the effectiveness of each component and the robustness of the method in various scenarios, including different LLM bases, rebalanced datasets, and multi-pair extraction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google