Dynamic Causal Disentanglement Model for Dialogue Emotion Detection

要約

感情検出は、さまざまな分野で広く採用されている重要なテクノロジーです。
常識的な知識の組み込みは、既存の感情検出方法にとって有益であることが証明されていますが、対話ベースの感情検出は、人間の主体性と対話内容の多様性により、多くの困難や課題に直面します。対話では、人間の感情が一気に蓄積される傾向があります。
ただし、それらは暗黙的に表現されることがよくあります。
これは、多くの本物の感情が、無関係な単語や対話の中に隠されたままであることを意味します。この論文では、隠れた変数の分離に基づいた、隠れた変数の分離に基づく動的因果関係解消モデルを提案します。
このモデルは、対話内容を効果的に分解し、感情の時間的蓄積を調査することで、より正確な感情認識を可能にします。
まず、隠された感情情報と他の観察された要素との相関関係を確立するために、新しい因果指向非循環グラフ (DAG) を導入します。
その後、私たちのアプローチは、事前に抽出された個人の属性と発話トピックを隠れた変数の分布のガイド因子として利用し、無関係な変数を分離することを目的としています。
具体的には、発話と隠れた変数の伝播を推測するための動的な時間的もつれ解除モデルを提案し、会話全体を通じて感情関連情報の蓄積を可能にします。
この解きほぐしプロセスをガイドするために、ChatGPT-4.0 および LSTM ネットワークを活用して、発話トピックと個人属性を観察情報として抽出します。最後に、対話感情検出における 2 つの人気のあるデータセットでアプローチをテストし、関連する実験結果でモデルの優位性が確認されました。

要約(オリジナル)

Emotion detection is a critical technology extensively employed in diverse fields. While the incorporation of commonsense knowledge has proven beneficial for existing emotion detection methods, dialogue-based emotion detection encounters numerous difficulties and challenges due to human agency and the variability of dialogue content.In dialogues, human emotions tend to accumulate in bursts. However, they are often implicitly expressed. This implies that many genuine emotions remain concealed within a plethora of unrelated words and dialogues.In this paper, we propose a Dynamic Causal Disentanglement Model based on hidden variable separation, which is founded on the separation of hidden variables. This model effectively decomposes the content of dialogues and investigates the temporal accumulation of emotions, thereby enabling more precise emotion recognition. First, we introduce a novel Causal Directed Acyclic Graph (DAG) to establish the correlation between hidden emotional information and other observed elements. Subsequently, our approach utilizes pre-extracted personal attributes and utterance topics as guiding factors for the distribution of hidden variables, aiming to separate irrelevant ones. Specifically, we propose a dynamic temporal disentanglement model to infer the propagation of utterances and hidden variables, enabling the accumulation of emotion-related information throughout the conversation. To guide this disentanglement process, we leverage the ChatGPT-4.0 and LSTM networks to extract utterance topics and personal attributes as observed information.Finally, we test our approach on two popular datasets in dialogue emotion detection and relevant experimental results verified the model’s superiority.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google