前言

亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~
无抄袭，无复制，纯手工敲击键盘~

今天为大家带来的是《PAGE: A POSITION-AWARE GRAPH-BASED MODEL FOR EMOTION CAUSE ENTAILMENT IN CONVERSATION》

---

出版： ICASSP

时间：2023

类型：因果情绪蕴含

关键词：位置感知；情绪原因；蕴含；对话系统；图网络

作者：Xiaojie Gu, Renze Lou等

第一作者机构：Department of Computer Science, Hangzhou City University, Hangzhou, China

简介

我们通过举例来讲解作者的思路

A：“Hey, you wanna see a movie tomorrow?”

B：“Sounds like a good plan.”

作者在论文中提及，如果将上述语句调换位置，则无法推断出“a good plan”其实就是指的前文提及的“see a movie”事件

因此，作者构建基于相对位置的位置关系，用于感知说话者不同语句之间的依赖关系

任务定义

在对话历史中寻找导致当前语句产生非中性情绪的原因句子

模型构架

主要包含三个模块：

1）带有情绪的语句编码（Utterances Encoding with Emotion）

2）位置感知的图（Position-aware Graph (PaG)）

3）因果分类器（Causal Classifier）

Utterances Encoding with Emotion

语句和情绪分别编码，然后两者维度变换到相同维度之后相加，得到 $h_c$ ，之后经过自注意力层和 MLP 等得到最终的 $h_n$

Position-aware Graph

• 考虑到相对位置在语句之间的因果原因的转化具有重要意义
• 考虑到相同或不同说话者句子之间的序列关系对于理解信息、增强蕴含有效果

图构建

包含节点、边（$\mathcal{G}=(\mathcal{V},\mathcal{E},\mathcal{R})$）

$\mathcal{E}$ 包含所有对应的三元组 $(u_o,r_{o,t},u_t)$

下图为边的计算过程，首先计算距离 $D_{o,t}$ ，然后这只一个窗口大小 $w$ ，然后结合 $D_{o,t}$ 和 $w$ 来计算 $r_{o,t}$

图更新

相邻节点进行更新，其中 $c_{t,r}$ 为正则化常数

Causal Classifier

$${\hat{p}}_{o,t}=\sigma (\text{MLP}(h_o^{\prime }\oplus h_t^{\prime }))\text{\hspace{1em}(1)}$$

将头节点和尾节点的表示相邻合并，然后输入MLP进行预测

实验结果

此外作者对Position-aware Graph提及的窗口大小进行了实验，发现随着窗口变大，图网络复杂性也随之增加，虽然小窗口表示只有目标话语的邻接矩阵，但是具有信息丰富的位置信号。经过实验表明，窗口大小为3时最为适中