[論文レビュー] ECQED: Emotion-Cause Quadruple Extraction in Dialogs

Zheng Li, Donghong Ji+6 more|arXiv (Cornell University)|Jun 6, 2023

Topic Modeling被引用数 5

ひとこと要約

本稿では、感情と原因のタイプを含む会話文におけるエンドツーエンド感情・原因4重項抽出のための新規タスクECQEDを紹介する。提案モデルは構造的・意味的異種グラフ（SSHG）と並列グリッドタギングを用い、会話文脈を捉え、重複する4重項を解消する。9.21%のF1スコア上昇を達成し、共感的応答生成において5 ROUGEポイント向上する最先端の性能を発揮する。

ABSTRACT

The existing emotion-cause pair extraction (ECPE) task, unfortunately, ignores extracting the emotion type and cause type, while these fine-grained meta-information can be practically useful in real-world applications, i.e., chat robots and empathic dialog generation. Also the current ECPE is limited to the scenario of single text piece, while neglecting the studies at dialog level that should have more realistic values. In this paper, we extend the ECPE task with a broader definition and scenario, presenting a new task, Emotion-Cause Quadruple Extraction in Dialogs (ECQED), which requires detecting emotion-cause utterance pairs and emotion and cause types. We present an ECQED model based on a structural and semantic heterogeneous graph as well as a parallel grid tagging scheme, which advances in effectively incorporating the dialog context structure, meanwhile solving the challenging overlapped quadruple issue. Via experiments we show that introducing the fine-grained emotion and cause features evidently helps better dialog generation. Also our proposed ECQED system shows exceptional superiority over baselines on both the emotion-cause quadruple or pair extraction tasks, meanwhile being highly efficient.

研究の動機と目的

• 既存の感情・原因ペア抽出（ECPE）の限界を是正するため、単一テキスト入力に限定される現行研究とは異なり、会話文脈への拡張と、細分化された感情および原因タイプラベルの統合を目的とする。
• 現在のECPE研究が単一テキスト入力に限定されており、会話レベルの分析が欠落している点を是正する。
• 1つの発話が複数の感情の原因となるなど、会話において一般的に見られる重複する4重項問題を解決する。
• 段階的なパイプライン手法に起因する誤差伝搬を回避するため、統合的でエンドツーエンドの抽出フレームワークを採用する。
• 感情・原因4重項情報が共感的対話生成を向上させることを実証する。

提案手法

• 会話文における感情・原因4重項抽出（ECQED）という新規タスクを提案し、会話文から（感情発話、原因発話、感情タイプ、原因タイプ）の4重項を抽出する。
• 発話者アイデンティティ、発話順序、応答関係を含む会話構造をモデル化するため、構造的・意味的異種グラフ（SSHG）を構築する。
• 重複する4重項を効果的に処理できるように、複数の感情タイプの感情・原因ペアを同時に抽出する並列グリッドタギング方式を採用する。
• 発話者および会話レベルの表現をSSHGに統合し、発話者ノードは事前定義された埋め込みで初期化し、会話ノードは発話埋め込みの平均化によって初期化する。
• 段階的なパイプラインモデルで一般的に見られる誤差伝搬を回避するため、エンドツーエンドの統合抽出フレームワークを採用する。
• ベンチマークとして、1,106件の人がラベル付けした会話文に感情・原因4重項を含むRECCONデータセットを活用する。

実験結果

リサーチクエスチョン

• RQ1 感情および原因タイプ情報の統合が、生成される対話応答の質および共感性を向上させるか？
• RQ2 会話文における重複する感情・原因4重項の処理において、単一テキスト状況と比較して、モデルの効果的性能はどの程度か？
• RQ3 発話者アイデンティティ、発話順序などの会話構造のモデリングが、4重項抽出性能をどの程度向上させるか？
• RQ4 提案されたSSHGおよび並列グリッドタギングフレームワークは、従来のパイプライン型または逐次モデルを上回る性能を発揮するか？
• RQ5 統合的抽出アプローチは、段階的処理手法と比較して、4重項抽出における誤差伝搬をどの程度軽減できるか？

主な発見

• 提案されたECQEDモデルは、ECPEまたはRECCONから適応した7つの最先端ベースラインを上回る最先端の性能を達成した。
• 構造的・意味的異種グラフ（SSHG）の統合により、ベースラインモデルと比較してF1スコアが9.21%絶対値で向上した。
• 重複する4重項抽出において、最良のベースラインと比較してF1スコアが6.35%高い結果を達成し、複雑な会話構造の処理における有効性を示した。
• 感情および原因タイプ情報の統合により、共感的対話生成におけるROUGEスコアが平均5ポイント向上した。
• アブレーションスタディの結果、SSHGおよび並列グリッドタギングモジュールの両方が不可欠な構成であり、それぞれが性能向上に顕著な貢献を示した。
• 事例スタディでは、SSHGが欠落している場合、文脈および発話者状態の推論が不十分であるため、感情および原因タイプの正しく予測できないことが明らかになった。