ECRC: Emotion-Causality Recognition in Korean Conversation for GCN

在这项关于在对话情境中同时分析情感及其潜在原因的多任务学习研究中，采用了深度神经网络方法来有效处理和训练大规模标记数据集。然而，这些方法通常只能在整个语料库中进行上下文分析，因为它们依赖于两种方法之一：单词或句子级嵌入。前者在处理多义词和同音词时面临困难，而后者在处理长句子时会导致信息丢失。在这项研究中，我们通过利用单词和句子级嵌入来克服以前嵌入的限制。此外，我们提出了基于新颖图结构的对话情境情感-因果关系识别（ECRC）模型，从而利用了两种嵌入方法的优势。该模型独特地集成了双向长短期记忆（Bi-LSTM）和图神经网络（GCN）模型，用于韩语对话分析。与仅依赖于一种嵌入方法的模型相比，所提出的模型有效地构建了抽象概念，如语言特征和关系，从而最小化了信息丢失。为了评估模型性能，我们比较了三个具有不同图结构的深度神经网络模型的多任务学习结果。此外，我们还使用韩语和英语数据集对所提出的模型进行了评估。实验结果表明，当将节点和边缘特征纳入图结构时，所提出的模型在情感和因果关系的多任务学习中表现更好（分别为74.62％和75.30％）。对于韩语ECC和Wellness数据集，分别为74.62％和73.44％，英语IEMOCAP数据集为71.35％。

本论文旨在解决在对话情境中同时分析情感及其潜在原因的问题，同时验证了提出的模型在韩语和英语数据集上的有效性。

通过结合词级和句级嵌入，提出了一种基于图结构的情感-因果识别模型(ECRC)，该模型整合了双向LSTM和图神经网络(GCN)模型，有效地处理了抽象概念和信息丢失问题。

论文使用大量标记数据集训练了多个深度神经网络模型，并比较了它们在多任务学习中的性能表现。实验结果表明，ECRC模型在情感和因果多任务学习中表现出色，同时在韩语和英语数据集上都表现出良好的性能。

在该领域的相关研究包括：'Emotion-Cause Pair Extraction: A New Task to Emotion Analysis in Texts'，'Multi-Task Learning for Mental Health using Social Media Text'等。