Emotion-Anchored Contrastive Learning Framework for Emotion Recognition in Conversation

情感识别对话（ERC）涉及检测对话中每个话语背后的潜在情感。有效地生成话语的表示仍然是这项任务的一个重要挑战。最近的研究提出了各种模型来解决这个问题，但它们仍然在区分类似的情感（如兴奋和幸福）方面存在困难。为了缓解这个问题，我们提出了一个情感锚定对比学习（EACL）框架，可以为类似的情感生成更可区分的话语表示。为了实现这一点，我们利用标签编码作为锚点来指导话语表示的学习，并设计了一个辅助损失来确保类似情感的锚点的有效分离。此外，我们还提出了一个额外的适应过程，来使锚点适应为有效的分类器，从而提高分类性能。通过广泛的实验，我们提出的EACL实现了最先进的情感识别性能，并在类似情感方面表现出优越的性能。我们的代码可在https://github.com/Yu-Fangxu/EACL 上获得。

本论文旨在解决情感识别中区分类似情感（如兴奋和快乐）的难题，提高情感识别的准确性。

论文提出了情感锚定对比学习（EACL）框架，利用标签编码作为锚点来指导生成可区分的话语表示，并设计了辅助损失来确保对于类似情感的锚点的有效分离。

论文通过实验验证了所提出的EACL框架在情感识别任务中的优越性，并在类似情感的情况下表现出更好的性能。研究使用公开数据集进行实验，并提供了开源代码。

最近的相关研究包括：1）情感识别中使用的不同模型；2）利用对比学习提高话语表示的方法。