[논문 리뷰] Neutral Utterances are Also Causes: Enhancing Conversational Causal Emotion Entailment with Social Commonsense Knowledge

Jiangnan Li, Fandong Meng외 6명|arXiv (Cornell University)|2022. 05. 02.

Sentiment Analysis and Opinion Mining인용 수 4

한 줄 요약

이 논문은 사회적 공통지식(CSK)과 감정 인식 지식 선택 전략을 통합함으로써 대화적 인과적 감정 함의를 향상시키기 위해 지식 강화 대화 그래프(KEC)를 제안한다. 이는 특히 중립적인 원인에 대해 기존 모델이 감정 임bedding에만 의존하는 것과는 달리, 다양한 감정을 가진 인과적 발화의 탐지 능력을 크게 향상시킨다.

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.

연구 동기 및 목표

• 기존 모델이 대상 발화와 다른 감정을 가진 인과적 발화를 탐지하는 데에 한계가 있음을 해결하기 위해, 특히 중립적 원인에 대한 탐지 능력을 향상시키기 위해.
• 기반 그래프 표현에 사회적 공통지식(CSK)을 통합하여 대화 맥락 내 인과적 추론 능력을 향상시키기 위해.
• 감정적 및 맥락적 관련성을 기반으로 CSK를 필터링하는 감정 인식 지식 선택 전략을 설계하기 위해.
• 감정 임bedding에만 의존하는 모델을 넘어서 인과적 감정 함의 모델의 성능을 향상시키기 위해.
• 효율적인 메시지 전파를 위한 지식 강화 비순환 그래프(KE-DAG) 네트워크를 개발하기 위해.

제안 방법

• 노드가 발화를 나타내고, 간선이 발화 표현과 선택된 CSK를 포함하는 지식 강화 대화 그래프(KEC)를 구축한다.
• 발화 주체의 신원과 발화와의 감정 일치도를 기반으로 CSK를 필터링하는 감정 인식 지식 선택 전략을 도입한다.
• 맥락 지식(GRU_k)과 자기순환 지식(GRU_s)을 별도로 갖춘 지식 강화 DAG 네트워크를 설계하여 지식 전파를 모델링한다.
• 가중치 제어 메커니즘을 사용해 지식 흐름을 제어하여, 메시지 전파 중에 관련 없는 CSK가 노드 표현에 영향을 주지 않도록 한다.
• 대화 그래프 내 발화 간 인과 쌍을 예측하는 대비 예측 헤드를 사용해 모델을 훈련한다.
• 국소적으로 관련 있는 발화에 집중하기 위해 윈도우 기반 맥락 집약 메커니즘을 적용하며, 최적의 성능은 작은 윈도우 크기에서 달성된다.

실험 결과

연구 질문

• RQ1 사회적 공통지식은 대상 발화와 다른 감정을 가진 인과적 발화의 탐지에 도움이 될 수 있는가?
• RQ2 감정 인식 지식 선택 전략은 인과적 감정 함의 성능에 어떤 영향을 미치는가?
• RQ3 기반 그래프 아키텍처에 CSK를 통합하면 감정 임bedding에만 의존하는 모델보다 성능이 뛰어나게 되는가?
• RQ4 윈도우 크기가 대화 맥락 내 인과적 추론 성능에 어떤 영향을 미치는가?
• RQ5 모델은 흔하지만 식별이 어려운 중립적 인과적 발화를 효과적으로 탐지할 수 있는가?

주요 결과

• 제안된 방법은 RECCON 데이터셋에서 매크로 F1 스코어 83.42를 기록하여 DAG-ERC 기준 모델을 뚜렷이 앞서간다.
• 감정이 다른 인과 쌍(DE 쌍)의 경우 재현율을 12% 향상시켰으며, 특히 중립적 인과적 발화 탐지율이 12% 향상되었다.
• 맥락 지식 GRU 유닛을 제거하면 성능 저하가 발생하여, 효과적인 지식 통합을 위해 필수적임을 확인하였다.
• 감정 인식 지식 선택 전략 덕분에 명시적 감정 임bedding 없이도 강력한 성능을 유지할 수 있었으며, 이는 효과적인 CSK 필터링 덕분이었다.
• 맥락 집약을 위한 최적의 윈도우 크기는 작다(예: 2단계), 큰 윈도우 크기는 주변 발화에 과도하게 집중하여 성능 저하를 초래하기 때문이다.
• 노드 표현에 직접 지식을 더하는 변형 모델은 제안된 게이팅 지식 메커니즘보다 성능이 열악하다(매크로 F1: 80.38), 이는 통제된 지식 흐름의 가치를 입증한다.