ECR-Chain: Advancing Generative Language Models to Better Emotion-Cause Reasoners through Reasoning Chains

理解情感生成过程对于分析情感背后的原因至关重要。Causal Emotion Entailment (CEE)是一项情感理解任务，旨在识别对话中引起目标话语表达的情感的因果话语。然而，当前的CEE研究主要关注对话中的语义和情感交互建模，忽略了情感生成过程的探索。这限制了模型深入理解情感，限制了它们产生可解释的预测能力。在这项工作中，我们受认知评估理论中的“刺激-评估-情感”情感生成过程的启发，引入了一种逐步推理方法，Emotion-Cause Reasoning Chain (ECR-Chain)，以推断出对话中目标情感表达的刺激。具体来说，我们首先通过少量提示将ECR-Chain引入ChatGPT，这显著提高了其在CEE任务上的性能。我们进一步提出了一种自动构建过程，利用ChatGPT构建ECR-Chain集合，通过监督训练增强较小模型的推理能力，并帮助Vicuna-7B模型实现最先进的CEE性能。此外，我们的方法可以使这些生成语言模型以可解释的方式有效地执行情感-因果推理。我们的代码、数据和更多细节可在https://github.com/hzp3517/ECR-Chain上找到。

论文旨在解决Causal Emotion Entailment (CEE)任务中，模型只关注语义和情感交互而忽略情感生成过程的问题，限制了模型对情感的理解和可解释性预测能力。

论文提出了一种基于Emotion-Cause Reasoning Chain (ECR-Chain)的推理方法，通过逐步推理情感生成的“刺激-评估-情感”过程，从目标情感表达中推断出刺激因素，并将其应用于模型的few-shot prompting和自动构建ECR-Chain集的过程中，提高了模型在CEE任务上的性能。

论文的方法能够使生成式语言模型能够以可解释的方式有效地进行情感-因果推理。论文还提出了自动构建ECR-Chain集的方法，并使用ChatGPT和Vicuna-7B模型在多个数据集上进行了实验，取得了优秀的性能。论文代码和数据集已经开源。

近期在这个领域的相关研究包括：1.《A Comprehensive Survey on Emotion Recognition from Speech》；2.《Emotion Detection from Text Using Machine Learning: A Review》。