[論文レビュー] Neutral Utterances are Also Causes: Enhancing Conversational Causal Emotion Entailment with Social Commonsense Knowledge

Jiangnan Li, Fandong Meng+6 more|arXiv (Cornell University)|May 2, 2022

Sentiment Analysis and Opinion Mining被引用数 4

ひとこと要約

本稿では、社会的共通知識（CSK）と感情に配慮した知識選択戦略を統合することで、感情が異なる因果的発話、特にニュートラルな原因の検出を著しく向上させる、知識強化型会話グラフ（KEC）を提案する。従来のモデルが感情埋め込みに依存するのとは異なり、本手法は因果的発話の検出性能を顕著に向上させる。

ABSTRACT

Conversational Causal Emotion Entailment aims to detect causal utterances for a non-neutral targeted utterance from a conversation. In this work, we build conversations as graphs to overcome implicit contextual modelling of the original entailment style. Following the previous work, we further introduce the emotion information into graphs. Emotion information can markedly promote the detection of causal utterances whose emotion is the same as the targeted utterance. However, it is still hard to detect causal utterances with different emotions, especially neutral ones. The reason is that models are limited in reasoning causal clues and passing them between utterances. To alleviate this problem, we introduce social commonsense knowledge (CSK) and propose a Knowledge Enhanced Conversation graph (KEC). KEC propagates the CSK between two utterances. As not all CSK is emotionally suitable for utterances, we therefore propose a sentiment-realized knowledge selecting strategy to filter CSK. To process KEC, we further construct the Knowledge Enhanced Directed Acyclic Graph networks. Experimental results show that our method outperforms baselines and infers more causes with different emotions from the targeted utterance.

研究の動機と目的

• 感情がターゲット発話とは異なる因果的発話を検出する際の従来モデルの限界、特にニュートラルな原因の検出を改善すること。
• グラフベースの表現に社会的共通知識（CSK）を統合することで、会話文脈における因果的推論を強化すること。
• 感情的および文脈的関連性に基づいてCSKをフィルタリングする感情に配慮した知識選択戦略を設計すること。
• 感情埋め込みに依存するモデルよりも、因果的感情含意モデルの性能を向上させること。
• 効果的なメッセージパッシングを可能にする知識強化型有向無閉路グラフ（KE-DAG）ネットワークの開発

提案手法

• ノードが発話を表し、エッジが発話表現と選択されたCSKを保持する知識強化型会話グラフ（KEC）を構築する。
• 発話の発話者アイデンティティと感情的一致性に基づいてCSKをフィルタリングする感情に配慮した知識選択戦略を導入する。
• 文脈的知識（GRU_k）と自己ループ知識（GRU_s）の別々のGRUユニットを備えた知識強化型DAGネットワークを設計し、知識伝搬をモデル化する。
• ゲートメカニズムを用いて知識の流れを制御し、メッセージパッシング中に関連するCSKのみがノード表現に影響を与えるようにする。
• 会話グラフ内の発話間の因果ペアを予測するコントラスト型予測ヘッドを用いてモデルを訓練する。
• 局所的に関連する発話を集中して扱うウィンドウベースの文脈集約メカニズムを適用し、最適な性能は小さなウィンドウサイズで達成される。

実験結果

リサーチクエスチョン

• RQ1 社会的共通知識は、ターゲット発話とは異なる感情を持つ因果的発話を検出するのを改善できるか？
• RQ2 感情に配慮した知識選択戦略は、因果的感情含意におけるモデル性能にどのように影響するか？
• RQ3 CSKをグラフベースアーキテクチャに統合することは、感情埋め込みに依存するモデルを上回る性能を達成できるか？
• RQ4 ウィンドウサイズは、会話文脈における因果的推論性能にどのような影響を及けるか？
• RQ5 本モデルは、一般的ではあるが検出が難しいニュートラルな因果的発話を効果的に検出できるか？

主な発見

• 提案手法はRECCONデータセットでマクロF1スコア83.42を達成し、DAG-ERCベースラインを著しく上回った。
• 感情が異なる因果ペア（DEペア）のリコールが12%向上し、特にニュートラルな因果的発話の検出が12%向上した。
• 文脈的知識用GRUユニットを削除すると性能が低下し、効果的な知識統合に不可欠であることが確認された。
• 感情に配慮した知識選択戦略により、明示的な感情埋め込みがなくても、効果的なCSKフィルタリングのおかげで高い性能を維持できた。
• 文脈集約の最適なウィンドウサイズは小さめ（例：2ステップ）であり、大きなウィンドウサイズは近接発話に過剰に注目し、性能を低下させる。
• ノード表現に知識を直接加算する変種モデルは、提案されたゲート付き知識機構よりも性能が悪く（マクロF1：80.38）、制御された知識フローの価値を裏付けた。