[论文解读] 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 4

一句话总结

本文提出了一种知识增强型对话图（KEC），通过整合社会常识知识（CSK）和情感感知的知识选择策略，显著提升了对带有不同情绪的因果话语的检测能力，尤其是对中性原因的识别，超越了仅依赖情绪嵌入的基线模型。

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.

研究动机与目标

• 解决现有模型在检测与目标话语情绪不同的因果话语（尤其是中性原因）方面的局限性。
• 通过将社会常识知识（CSK）融入基于图的表示，增强对话情境下的因果推理能力。
• 设计一种情感感知的知识选择策略，以筛选出在情感和语境上均相关的CSK。
• 在仅依赖情绪嵌入的模型之外，进一步提升因果情绪蕴涵模型的性能。
• 开发一种知识增强型有向无环图（KE-DAG）网络，以实现KEC图上的有效信息传递。

提出的方法

• 构建一种知识增强型对话图（KEC），其中节点代表话语，边同时携带话语表示和所选的CSK。
• 引入一种情感感知的知识选择策略，根据发言者身份和话语的情绪一致性来筛选CSK。
• 设计一种知识增强型DAG网络，采用独立的GRU单元分别处理上下文知识（GRU_k）和自环知识（GRU_s），以建模知识传播过程。
• 使用门控机制控制知识流动，确保在信息传递过程中仅相关CSK影响节点表示。
• 使用对比预测头进行模型训练，以预测对话图中话语之间的因果对。
• 应用基于窗口的上下文聚合机制，聚焦于局部相关话语，最优性能出现在较小窗口尺寸时。

实验结果

研究问题

• RQ1 社会常识知识能否提升对与目标话语情绪不同的因果话语的检测能力？
• RQ2 情感感知的知识选择策略对因果情绪蕴涵模型性能有何影响？
• RQ3 将CSK整合到基于图的架构中是否优于仅依赖情绪嵌入的模型？
• RQ4 窗口大小对对话情境下因果推理性能有何影响？
• RQ5 该模型能否有效检测出普遍存在但难以识别的中性因果话语？

主要发现

• 所提方法在RECCON数据集上达到83.42的宏F1分数，显著优于DAG-ERC基线模型。
• 模型在情绪不同的因果对（DE对）上将召回率提升了12%，尤其将中性因果话语的检测率提高了12%。
• 若移除上下文知识GRU单元，性能显著下降，证实其在有效知识整合中的必要性。
• 情感感知的知识选择策略使模型即使在无显式情绪嵌入的情况下也能保持强性能，归因于有效的CSK过滤。
• 上下文聚合的最优窗口大小较小（例如2步），因为更大的窗口会因过度强调邻近话语而降低性能。
• 直接将知识添加到节点表示的变体模型性能更差（宏F1：80.38），低于所提出的门控知识机制，证明了受控知识流动的价值。