12 对比与生成使 BART 成为良好的对话情感识别器

对话情感识别任务介绍

对话情感识别任务旨在识别对话中多个说话者话语的情感，其中主要挑战包括说话者情绪受其他说话者影响、话语情绪受上下文信息影响，以及区分语义相似但细微差别的情感类别（如“沮丧”与“悲伤”）。

方法概述

1. 对话建模：使用 BART 对话语进行编码，并在话语前拼接说话者姓名或类别。通过对话级转换器建模上下文依赖关系。
2. ERC 的监督对比损失：通过对比学习区分语义上相似的情绪类别，制作隐藏状态的副本以获得对比样本，实现相互排斥的损失函数。
3. 辅助响应生成：根据当前话语生成响应，使用 BART 编码器和解码器进行生成任务。

损失函数

总损失是交叉熵损失、对比损失和生成损失的加权和，其中 α 和 β 为权重参数。

实验结果

1. 数据集：MELD、EmoryNLP、IEMOCAP 和 DailyDialog。
2. 指标：加权平均值 F1（DailyDialog 中忽略“中性”标签）。
3. 性能：与基于预训练的模型相比，该方法在四个数据集中取得了非常有竞争力的结果。
4. 可视化：α 为 0 和 0.8 时的 t-SNE 可视化显示，监督对比学习澄清了不同情绪类别的界限。
5. 定量分析：监督对比损失在实现最优结果中的比例在不同数据集间有所不同，但对任务有很大帮助。
6. 消融研究：说话人信息在 IEMOCAP 中起着至关重要的作用。