Emotion-cause pair extraction method based on multi-granularity information and multi-module interaction

要約

感情・原因ペア抽出の目的は、感情節と原因節のペアを抽出することです。
一方で、既存の方法では、2 つの補助タスクの感情抽出間の関係が完全には考慮されていません。
一方で、既存の 2 段階モデル​​にはエラー伝播の問題があります。
さらに、既存のモデルは、感情や原因​​によって引き起こされるサンプルの位置の不均衡に適切に対処できません。
これらの問題を解決するために、GRU、ナレッジ グラフ、およびトランスフォーマー モジュール間の共有対話に基づくエンドツーエンド マルチタスク モデル (MM-ECPE) が提案されています。
さらに、MM-ECPEに基づいて、エンコーダ層を使用して文節と感情文節間の文節距離の不均衡な分布の問題をより適切に解決するために、BERT、感情語彙、位置認識インタラクションモジュールに基づく新しいエンコーディングを提案します。
感情モチーフペア検索モデル(MM-ECPE(BERT))の層。
このモデルは、まずマルチレベル共有モジュールを通じて異なるタスク間の相互作用を完全にモデル化し、感情と原因のペアの抽出と感情の抽出と原因の抽出の間で共有される情報をマイニングします。
次に、感情節と原因節の問題の不均衡な分布を解決するために、ナレッジ グラフのパス長に従って適切なラベルが選別され、モデルが対応する感情と原因の関係を持つペアの抽出に集中できるようにタスク固有の特徴が構築されます。
ECPE ベンチマーク データセットの実験結果は、提案されたモデルが、特に位置の不均衡なサンプルで良好なパフォーマンスを達成することを示しています。

要約(オリジナル)

The purpose of emotion-cause pair extraction is to extract the pair of emotion clauses and cause clauses. On the one hand, the existing methods do not take fully into account the relationship between the emotion extraction of two auxiliary tasks. On the other hand, the existing two-stage model has the problem of error propagation. In addition, existing models do not adequately address the emotion and cause-induced locational imbalance of samples. To solve these problems, an end-to-end multitasking model (MM-ECPE) based on shared interaction between GRU, knowledge graph and transformer modules is proposed. Furthermore, based on MM-ECPE, in order to use the encoder layer to better solve the problem of imbalanced distribution of clause distances between clauses and emotion clauses, we propose a novel encoding based on BERT, sentiment lexicon, and position-aware interaction module layer of emotion motif pair retrieval model (MM-ECPE(BERT)). The model first fully models the interaction between different tasks through the multi-level sharing module, and mines the shared information between emotion-cause pair extraction and the emotion extraction and cause extraction. Second, to solve the imbalanced distribution of emotion clauses and cause clauses problem, suitable labels are screened out according to the knowledge graph path length and task-specific features are constructed so that the model can focus on extracting pairs with corresponding emotion-cause relationships. Experimental results on the ECPE benchmark dataset show that the proposed model achieves good performance, especially on position-imbalanced samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google