[论文解读] Multitask Learning for Emotion and Personality Detection

Yang Li, Amirmohammad Kazameini+2 more|arXiv (Cornell University)|Jan 7, 2021

Personality Traits and PsychologyPsychology参考文献 52被引用 19

一句话总结

本文提出 SoGMTL，一种基于 CNN 的新型多任务学习框架，通过共享表征联合预测人格特质（OCEAN）和情绪，利用一种新颖的信息共享门控机制（SoG）和类似 MAML 的优化策略。该模型在多个基准数据集上的人格与情绪检测任务中均取得了最先进性能，甚至优于基于大语言模型的方法。

ABSTRACT

In recent years, deep learning-based automated personality trait detection has received a lot of attention, especially now, due to the massive digital footprints of an individual. Moreover, many researchers have demonstrated that there is a strong link between personality traits and emotions. In this paper, we build on the known correlation between personality traits and emotional behaviors, and propose a novel multitask learning framework, SoGMTL that simultaneously predicts both of them. We also empirically evaluate and discuss different information-sharing mechanisms between the two tasks. To ensure the high quality of the learning process, we adopt a MAML-like framework for model optimization. Our more computationally efficient CNN-based multitask model achieves the state-of-the-art performance across multiple famous personality and emotion datasets, even outperforming Language Model based models.

研究动机与目标

• 为解决人格与情绪检测中多任务学习的空白，通过联合建模两项任务。
• 探索并验证人格特质检测与情绪检测之间有效的信息共享机制。
• 通过类似 MAML 的优化策略提升多源数据下的模型泛化能力与效率。
• 证明人格与情绪任务之间的共享表征可提升下游任务的性能。

提出的方法

• 提出 SoGMTL，一种使用共享 CNN 主干网络的多任务学习框架，用于联合进行人格与情绪预测。
• 引入一种新颖的信息共享门控机制——SoG（选择性输出门控），以在不同网络层动态控制任务间特征流动。
• 采用类似 MAML 的元学习优化策略，以提升模型在多源数据上的泛化能力。
• 通过消融实验与对比分析，评估四种信息共享机制：SiG、SiLG、CAG 和 SoG。
• 为人格特质（OCEAN）使用多标签分类头，激活函数为 Sigmoid；为情绪使用多分类头，激活函数为 Softmax。
• 进行消融实验，以确定 SoG 门控在卷积层、池化层与全连接层中的最优放置位置。

实验结果

研究问题

• RQ1 在人格与情绪检测的多任务学习中，哪种信息共享机制（SiG、SiLG、CAG、SoG）表现最佳？
• RQ2 SoG 门控在不同网络层（卷积层、池化层、全连接层）中的位置如何影响模型性能与信息流动？
• RQ3 类似 MAML 的优化策略是否能提升多任务学习中多源数据下的模型泛化能力与性能？
• RQ4 与单任务基线相比，人格与情绪的联合学习是否能提升性能？

主要发现

• SoGMTL 在多个人格与情绪数据集上均取得最先进性能，优于单任务模型及基于大语言模型的方法。
• 与 SiG、SiLG 和 CAG 相比，SoG 门控机制显著提升性能，且在卷积层中放置时效果最佳。
• 消融实验证实，卷积层是最适合 SoG 的位置，其 F1 得分最高（72.03%），且与最优信息共享配置的余弦相似度最高（0.32）。
• 类似 MAML 的优化策略增强了模型泛化能力，尤其在多源数据训练时表现更优。
• 案例研究显示，SoGMTL 产生清晰、置信度高的预测结果，表明其在多标签人格与多分类情绪任务中具有稳健的决策边界。
• 该模型计算效率高，SoG 在推理速度上表现优异，适合实际部署。