[论文解读] ECQED: Emotion-Cause Quadruple Extraction in Dialogs

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

Topic Modeling被引用 5

一句话总结

本文提出了ECQED，一种用于对话中端到端情感-原因四元组抽取的新任务，包含情感和原因类型。所提出的模型采用结构化与语义异质图（SSHG）及并行网格标注机制，以捕捉对话上下文并解决重叠四元组问题，在F1分数上取得9.21%的提升，且在共情回复生成方面提升5个ROUGE点，达到当前最优性能。

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.

研究动机与目标

• 为解决现有情感-原因对抽取（ECPE）的局限性，将ECPE扩展至对话场景，并引入细粒度的情感与原因类型标签。
• 克服当前ECPE研究仅关注单文本输入、缺乏对话级分析的不足。
• 解决对话中常见的重叠四元组问题，即一个话语可能成为多个情感的原因。
• 通过联合端到端抽取框架而非多阶段流水线方法，减少误差传播。
• 证明情感-原因四元组信息可提升共情对话生成的质量。

提出的方法

• 提出新任务——对话中的情感-原因四元组抽取（ECQED），从对话中抽取（情感话语，原因话语，情感类型，原因类型）四元组。
• 构建结构化与语义异质图（SSHG）以建模对话结构，包括发言者身份、话语顺序及回应关系。
• 采用并行网格标注机制，同时为所有情感类型抽取情感-原因对，有效处理重叠四元组。
• 将发言者与对话级表征整合至SSHG中，发言者节点通过预定义嵌入初始化，对话节点通过话语嵌入平均化生成。
• 采用端到端联合抽取框架，避免多阶段流水线模型中常见的误差传播问题。
• 以RECCON数据集作为基准，包含1,106个经人工标注的对话，其中包含情感-原因四元组。

实验结果

研究问题

• RQ1 在生成对话回复时，引入情感与原因类型信息是否能提升回复质量与共情程度？
• RQ2 与单文本场景相比，模型在对话上下文中处理重叠情感-原因四元组的效率如何？
• RQ3 建模对话结构（如发言者身份、话语顺序）在多大程度上提升了四元组抽取性能？
• RQ4 所提出的SSHG与并行网格标注框架是否优于现有的流水线或序列化模型？
• RQ5 联合抽取方法是否能有效减少多阶段方法在四元组抽取中的误差传播？

主要发现

• 所提出的ECQED模型达到最先进性能，优于7个基于ECPE或RECCON微调的最先进基线模型。
• 结构化与语义异质图（SSHG）的引入使F1分数相比基线模型绝对提升9.21%。
• 在重叠四元组抽取任务中，模型F1分数比最佳基线高出6.35%，证明其在处理复杂对话结构方面的有效性。
• 情感与原因类型信息的引入使共情对话生成的ROUGE分数平均提升5分。
• 消融实验表明，SSHG与并行网格标注模块均为关键组件，各自对性能提升有显著贡献。
• 案例研究显示，若缺少SSHG，模型因缺乏上下文与发言者状态推理能力，无法正确预测情感与原因类型。