ESIHGNN: Event-State Interactions Infused Heterogeneous Graph Neural Network for Conversational Emotion Recognition

对话情感识别（CER）旨在预测对话中表达的情感，即“事件”。现有的基于图的方法主要关注事件相互作用以理解对话上下文，但忽略了说话者情感状态对事件的直接影响。此外，实时建模对话对于实际应用至关重要，但很少被考虑。为此，我们提出了一种新的基于图的方法，即事件-状态交互融合异构图神经网络（ESIHGNN），它融合了说话者的情感状态，构建了一个异构的事件-状态交互图来建模对话。具体而言，采用异构有向无环图神经网络来动态更新和增强每个回合的事件和情感状态的表示，从而提高对话的连贯性和一致性。此外，为了进一步提高CER的性能，我们使用外部知识丰富了图的边缘。在四个公开可用的CER数据集上的实验结果显示了我们方法的优越性以及引入的异构事件-状态交互图的有效性。

本论文旨在解决对话情感识别中忽略发言者情感状态对事件的直接影响以及实时建模的问题。

论文提出了一种新的基于图的方法，即ESIHGNN，它通过构建异构的事件-状态交互图来建模对话，并融入发言者情感状态。具体来说，采用异构有向无环图神经网络来动态更新和增强每个轮次的事件和情感状态的表示，从而提高对话的连贯性和一致性。此外，为了进一步提高CER的性能，还使用外部知识丰富了图的边缘。

论文使用四个公开的CER数据集进行了实验，表明了所提出方法的优越性和引入的异构事件-状态交互图的有效性。此外，论文还使用了外部知识来丰富图的边缘。该论文的方法对于实时对话建模具有重要意义。

近期的相关研究包括：1. Emotion-Cause Pair Extraction: A New Task to Emotion Analysis in Texts. 2. A Survey on Dialogue Systems: Recent Advances and New Frontiers.