A Bi-directional Multi-hop Inference Model for Joint Dialog Sentiment Classification and Act Recognition

解决问题： 本篇论文旨在解决对话情感分类(DSC)和行为识别(DAR)的联合任务，即同时预测对话中每个话语的情感标签和行为标签。目前的方法只能单向编码对话上下文，无法全面理解上下文。此外，这些方法忽略了情感和行为标签之间的显式相关性，导致无法捕捉到丰富的情感和行为线索，从而阻碍了有效和准确的推理。

关键思路： 为了解决这些问题，本文提出了一种双向多跳推理模型(BMIM)，利用特征选择网络和双向多跳推理网络来迭代地以双向方式提取和整合丰富的情感和行为线索。同时，采用对比学习和双学习来显式地建模情感和行为标签之间的相关性。相比于当前领域的研究状况，本文的思路在于将双向多跳推理网络和对比学习、双学习等技术相结合，提高了模型的性能和可解释性。

其他亮点： 本文在两个广泛使用的数据集上进行了实验，结果表明，BMIM在DAR的F1分数上至少比最先进的基线方法提高了2.6％，在DSC的F1分数上至少比最先进的基线方法提高了1.4％。此外，本文提出的模型不仅提高了性能，还增强了联合情感和行为预测任务的可解释性。

关于作者： 本文的主要作者包括Li Zheng、Fei Li、Yuyang Chai、Chong Teng和Donghong Ji。他们分别来自中国科学院自动化研究所、中国科学院大学、清华大学等机构。他们的代表作包括《DialogueRNN: An Attentive RNN for Emotion Detection in Conversations》、《A Dual Reinforcement Learning Framework for Unsupervised Text Style Transfer》等。

相关研究： 近期其他相关的研究包括：《Jointly Modeling Sentiment and Discourse Relations with Graph Convolutional Networks》(Xiaodong Liu等，Microsoft Research)、《Multi-Task Learning for Joint Language Understanding and Dialogue State Tracking》(Bing Liu等，University of Illinois at Chicago)等。

论文摘要：这篇论文提出了一种双向多跳推理模型（BMIM），用于联合对话情感分类（DSC）和行为识别（DAR）任务，旨在同时预测对话中每个话语的情感标签和行为标签。然而，目前的方法只在一个方向上对对话上下文进行编码，这限制了它们深入理解上下文的能力。此外，这些方法忽略了情感和行为标签之间的显式相关性，导致不能充分捕捉丰富的情感和行为线索，从而阻碍了有效和准确的推理。为了解决这些问题，作者提出了BMIM，利用特征选择网络和双向多跳推理网络来双向迭代地提取和整合丰富的情感和行为线索。作者还采用对比学习和双向学习来明确地建模情感和行为标签之间的相关性。在两个广泛使用的数据集上的实验表明，BMIM在DAR的F1得分上至少比最先进的基线方法高2.6％，在DSC的F1得分上至少比最先进的基线方法高1.4％。此外，作者提出的模型不仅提高了性能，还增强了联合情感和行为预测任务的可解释性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除