Emotion-cause pair extraction method based on multi-granularity information and multi-module interaction
Kunming University of Science and Technology（昆明理工大学）；Yunnan Key Laboratory of Artificial Intelligence（云南省人工智能重点实验室）
针对情感-原因对抽取中的任务交互不足、误差传播及位置不平衡问题，提出融合 GRU、知识图谱、Transformer/BERT 与位置感知交互的端到端多任务模型，在 ECPE 上取得更优性能。
2024-04-10 cs.CL
ECQED: Emotion-Cause Quadruple Extraction in Dialogs
Wuhan University（武汉大学）；National University of Singapore（新加坡国立大学）
针对现有情感-原因对抽取任务缺失细粒度类型、局限单文本场景的问题，本文提出对话情感-原因四元组抽取任务ECQED，并设计基于异质图与并行网格标注的模型，在相关任务上优于基线且能提升对话生成效果。
2023-06-10 cs.CL
A Question Answering Approach to Emotion Cause Extraction
Shenzhen Graduate School, Harbin Institute of Technology（哈尔滨工业大学深圳研究生院）；College of Mathematics and Computer Science, Fuzhou University（福州大学数学与计算机科学学院）；School of Engineering and Applied Science, Aston University（阿斯顿大学工程与应用科学学院）；Guangdong Provincial Engineering Technology Research Center for Data Science（广东省数据科学工程技术研究中心）；Department of Computing, the Hong Kong Polytechnic University（香港理工大学计算学系）
情感原因抽取的目的是识别文本中表达的某种情感背后的原因。与情感分类相比，这是一项困难得多的任务。受深度记忆网络在问答中应用的最新进展的启发，我们提出了一种新的方法，将情感原因识别作为问答中的阅读理解任务。受卷积神经网络的启发，我们提出了一种新的机制，将相关的上下文存储在不同的内存槽中，以模拟上下文信息。我们提出的方法可以同时提取词级序列特征和词汇特征。性能评估表明，我们的方法达到了最先进的性能在最近发布的情绪原因数据集，超过了一些竞争基线的F-测量至少3.01%。
2017-09-24 cs.CL
RTHN: A RNN-Transformer Hierarchical Network for Emotion Cause Extraction
Nanjing University of Science and Technology（南京理工大学）
情感原因提取（ECE）任务旨在发现文档中特定情感表达背后的潜在原因。已经提出了包括基于规则的方法、传统的机器学习方法和深度神经网络的技术来解决这个任务。然而，大多数以前的工作认为ECE作为一组独立的条款分类问题，忽略了多个条款之间的关系，在一个文件。在这项工作中，我们提出了一个联合的情感原因提取框架，命名为RNN-Transformer分层网络（RTHN），同步编码和分类多个子句。RTHN由一个基于RNN的低层词级编码器和一个基于Transformer的上层子句级编码器组成，前者用于对每个子句中的多个词进行编码，后者用于学习文档中多个子句之间的相关性。此外，我们还提出了将相对位置和全局谓词信息编码到Transformer中的方法，该方法可以捕获子句之间的因果关系，从而使RTHN更有效。在12个比较系统中，我们最终取得了最好的性能，并将最先进的F1分数从72.69%提高到76.77%。
2019-06-04 cs.CL
Emotion-Cause Pair Extraction in Conversations via Semantic Decoupling and Graph Alignment
Hefei University of Technology（合肥工业大学）
本文提出SCALE框架，通过语义解耦和图对齐方法，解决对话中情感与原因关系的提取问题，实现多对多的全局一致匹配。
2026-04-21 cs.CL
EMO-KNOW: A Large Scale Dataset on Emotion and Emotion-cause
School of Computing, National University of Singapore（新加坡国立大学计算机学院）；School of Computing, University of Colombo（科伦坡大学计算机学院）
本文提出EMO-KNOW大规模情绪原因数据集，基于980万条推文构建70余万条情绪-原因对，覆盖48类情绪，并通过抽象式原因摘要支持情绪原因知识图谱构建与情绪感知系统设计。
2024-08-08 cs.CL
Discourse-Aware Emotion Cause Extraction in Conversations
Soochow University（苏州大学）
会话中的情感原因提取旨在提取会话中包含情感原因的话语。大多数先前的研究集中在建模会话上下文与顺序编码，忽略了话语和会话特定功能的ECEC之间的信息交互。在本文中，我们探讨的话语结构在处理话语互动和会话特定功能的ECEC的重要性。为此，我们提出了一个话语感知模型（DAM）的这项任务。具体地说，我们联合使用多任务学习（MTL）框架的话语分析模型ECEC和显式编码的话语结构通过门控图神经网络（门控GNN），我们的模型中集成了丰富的话语交互信息。此外，我们使用门控GNN来进一步增强我们的ECEC模型与会话特定的功能。基准语料库上的结果表明，DAM优于国家的最先进的（SOTA）系统在文献中。这表明，话语结构可能包含一个潜在的联系之间的情感话语和相应的原因表达。同时也验证了会话特征的有效性.本文的代码将在GitHub上提供。
2022-10-26 cs.CL
Learning a General Clause-to-Clause Relationships for Enhancing Emotion-Cause Pair Extraction
Xi’an Jiaotong University（西安交通大学）；Du Xiao Man Inc.（度小满公司）
情感-原因对提取（ECPE）是一个新兴的任务，旨在从文档中提取潜在的情感对和相应的原因。以前的方法都集中在对配对关系建模，并取得了可喜的成果。然而，从根本上象征着一个文件的底层结构的小句到小句的关系，仍然处于研究的起步阶段。在本文中，我们定义了一个新的小句到小句的关系。为了更好地学习它，我们提出了一个通用的小句级编码模型EA-GAT，它包括E-GAT和激活排序。E-GAT的目的是从不同类型的小句中聚合信息;激活排序利用个人的情感/原因预测和基于排序的映射，以推动小句更有利的表示。由于EA-GAT是一个子句级的编码模型，它可以广泛地与任何以前的方法集成。在中英文基准语料库上的实验结果表明，该方法的平均性能为$2.1\%$和$1.03\%$，明显优于现有方法。
2022-08-30 cs.CL
Empathetic Response Generation via Emotion Cause Transition Graph
Alibaba（阿里巴巴）
移情对话是一种类似人类的行为，需要感知两种情感因素（例如，情绪状态）和认知因素（例如，感情的原因）。除了早期的研究中关注情感状态外，最新的研究方法研究了移情对话中的情感原因。这些方法侧重于理解和复制语境中的情感原因，以表现出对说话者的同情。然而，真正的共情反应并不只是重复情境中的原因，而是从情境中的原因向反应中的原因进行逻辑上的、以情感为中心的过渡。在这项工作中，我们提出了一个情感原因转换图，明确地模拟情感原因之间的自然过渡的移情对话中的两个相邻的回合。通过该图，可以预测下一轮情感原因的概念词，并由专门设计的概念感知解码器用于生成移情反应。在基准数据集上的自动和人工实验结果表明，我们的方法比现有模型产生更多的同理心，连贯性，信息量和具体的反应。
2023-02-23 cs.CL
MEKiT: Multi-source Heterogeneous Knowledge Injection Method via Instruction Tuning for Emotion-Cause Pair Extraction
Northeastern University（东北大学）
针对大语言模型在情感-原因对抽取任务中因缺乏辅助知识而表现不佳的问题，提出多源异构知识注入方法MEKiT，通过指令模板与数据混合的指令微调融合内部情感与外部因果知识，显著提升模型性能。
2025-07-20 cs.CL
Enhancing Large Language Model with Decomposed Reasoning for Emotion Cause Pair Extraction
Harbin Institute of Technology（哈尔滨工业大学）
针对现有情感原因对抽取方法易过拟合虚假相关性、大语言模型输出不可控的问题，提出融合思维链的DECC框架，结合诱导推理、逻辑剪枝与上下文学习引导大模型完成任务，性能优于现有监督微调方法，并验证了组件有效性与多场景鲁棒性。
2024-01-31 cs.CL
UniMEEC: Towards Unified Multimodal Emotion Recognition and Emotion Cause
Peking University（北京大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Arizona State University（亚利桑那州立大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Copenhagen（哥本哈根大学）
针对现有研究割裂多模态情感识别与情感原因抽取关联的问题，提出统一框架UniMEEC，通过掩码预测重构任务、多模态因果提示实现跨任务跨模态交互，在四个基准上超越现有最优方法。
2024-10-09 cs.CL
Multi-Granularity Semantic Aware Graph Model for Reducing Position Bias in Emotion-Cause Pair Extraction
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
情感-原因对提取（ECPE）任务旨在从文档中提取情感和原因对。我们观察到，在典型的ECPE数据集中，情绪和原因的相对距离分布极不平衡。现有的方法设置了一个固定大小的窗口来捕获相邻子句之间的关系。然而，他们忽略了有效的语义连接之间的距离子句，导致对位置不敏感的数据的泛化能力差。为了缓解这个问题，我们提出了一种新的多粒度语义感知图模型（MGSAG），结合细粒度和粗粒度的语义特征联合，而不考虑距离的限制。特别是，我们首先探讨从文档中提取的条款和关键字之间的语义依赖关系，传达细粒度的语义特征，获得关键字增强的条款表示。此外，还建立了一个子句图来描述子句间的粗粒度语义关系。实验结果表明，MGSAG优于现有的国家的最先进的ECPE模型。特别是在位置不敏感数据的情况下，MGSAG模型的性能明显优于其他模型。
2022-08-18 cs.CL
Automatic Extraction of Relationships among Motivations, Emotions and Actions from Natural Language Texts
CogBeauty Lab（认知美容实验室）
本文提出基于图和 LLM 的无标注框架，从食品评论文本中构建动机、情绪与行动关系图，并评估生成质量与错误类型。
2024-08-02 cs.CL
AdCOFE: Advanced Contextual Feature Extraction in Conversations for emotion classification
Lakehead University（湖首大学）
对话中的情感识别是各种虚拟聊天机器人的重要一步，这些机器人需要基于意见的反馈，如社交媒体线程，在线支持和更多应用程序。当前会话模型中的情感识别面临着以下问题：（a）会话的两个对话之间的上下文信息丢失，（b）未能给予每个话语中的重要标记适当的重要性，以及（c）无法传递来自先前话语的情感信息。通过使用自然语言的知识图谱、情感词典和短语在话语的所有级别（词和位置嵌入）执行唯一的特征提取来解决这些问题。在会话数据集上的情感识别实验表明，AdCOFE有利于捕捉会话中的情感。
2021-04-09 cs.CL cs.LG
Agent-Guided Evidence Acquisition for Emotion-Cause Pair Extraction
Universiti Malaya（马来亚大学）；Suzhou University of Technology（苏州科技大学）；VinUniversity
该研究针对情感-原因对抽取（ECPE），提出智能体引导的证据获取方法，在10%查询率下使平均对F1提升2.64-3.88个百分点，为ECPE的高效证据获取提供了实证基础。
2026-10-14 cs.CL
Recognizing Emotion Cause in Conversations
Singapore University of Technology and Design（新加坡科技设计大学）；National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）；Adobe Research（奥多比研究院）；Instituto Politécnico Nacional（墨西哥国立理工学院）；University of Michigan（密歇根大学）
我们解决了在对话中识别情感原因的问题，定义了这个问题的两个新的子任务，并提供了相应的对话级数据集，以及强大的基于transformer的基线。该数据集可在https://github.com/declare-lab/RECCON上获得。引言：识别文本中情感背后的原因是NLP研究的一个基本但尚未探索的领域。这一领域的进展有可能提高基于影响的模型的可解释性和性能。由于对话者之间的相互作用，在对话中识别话语层面的情感原因特别具有挑战性。方法：我们介绍了在对话中识别情感原因的任务，并附带了一个名为RECCON的数据集，包含1,000多个对话和10,000个话语因果对。此外，我们根据原因的来源定义了不同的原因类型，并建立了强大的基于transformer的基线，以解决该数据集上的两个不同的子任务：因果跨度提取和因果情感蕴涵。测试结果：我们基于transformer的基线，利用上下文预训练的嵌入，如RoBERTa，优于最先进的情感原因提取方法结论：我们引入了一个与（可解释的）情感感知人工智能高度相关的新任务：识别对话中的情感原因，为此任务提供了一个新的高度挑战性的公开对话级数据集，并在此数据集上给出了强有力的基线结果。
2021-07-28 cs.CL
Generation or Judgement? A Paradigm Perspective on LLM-Based Emotion-Cause Pair Extraction in Conversation
该研究针对对话情感-原因对抽取，对比LLM的生成与判断范式，发现对级判断更优，引入辅助检索器后在三个数据集上实现F1提升，明确任务分解与候选范围的关键作用。
2026-07-30 cs.CL
Multi-Task Learning and Adapted Knowledge Models for Emotion-Cause Extraction
Columbia University（哥伦比亚大学）；Amazon AI（亚马逊人工智能部门）
检测文本中表达的情感是自然语言处理中的一个研究得很好的问题。然而，对更细粒度的情感分析的研究，如什么导致了情感，仍处于起步阶段。我们提出了解决方案，以联合方式处理情感识别和情感原因检测。考虑到常识知识在理解隐含表达的情绪和这些情绪的原因方面起着重要作用，我们提出了新的方法，通过自适应知识模型将常识知识与多任务学习相结合，以执行联合情绪分类和情绪原因标记。我们在这两个任务上表现出性能的提高，包括常识推理和多任务框架。我们提供全面的分析，以深入了解模型性能。
2021-06-17 cs.AI cs.CL
Emotion-Cause Pair Extraction in Customer Reviews
由于其在各个领域的重要性和潜在的应用前景，解释-原因对抽取（ECPE）是自然语言处理中一个复杂而又热门的研究领域。在本报告中，我们的目的是介绍我们在ECPE在线评论领域的工作。通过人工标注的数据集，我们探索了一种使用神经网络提取情感原因对的算法。此外，我们提出了一个模型，使用以前的参考资料，并结合情感-原因对提取与情感感知词嵌入领域的研究，在那里我们将这些嵌入发送到一个Bi-LSTM层，这给了我们情感相关的条款。在有限数据集的约束下，我们实现了。我们报告的总体范围包括全面的文献综述，数据集构建和初始模型训练的参考方法的实施，以及通过提出对管道的改进来修改ECPE中以前的工作，以及针对特定领域的算法开发和实施。
2021-12-07 cs.AI cs.CL
nicolay-r at SemEval-2024 Task 3: Using Flan-T5 for Reasoning Emotion Cause in Conversations with Chain-of-Thought on Emotion States
Newcastle University（纽卡斯尔大学）
本文提出基于 Flan-T5 的 THOR-state 与带推理修正的 THOR-cause-rr 方法，通过情绪状态思维链完成对话情绪原因推理，并在 SemEval-2024 任务3中获得前列成绩。
2024-04-04 cs.CL
A Multi-turn Machine Reading Comprehension Framework with Rethink Mechanism for Emotion-Cause Pair Extraction
Southeast Academy of Information Technology（东南信息技术研究院）；Beijing Institute of Technology（北京理工大学）
情感-原因对提取（ECPE）是情感原因分析中的一个新兴任务，它从情感文档中提取潜在的情感-原因对。最近的研究使用端到端的方法来解决ECPE任务。然而，这些方法要么遭受标签稀疏性问题，要么无法对情绪和原因之间的复杂关系进行建模。此外，它们都没有考虑小句的显式语义信息。为此，我们将ECPE任务转化为文档级的机器阅读理解（MRC）任务，并提出了一个带有反思机制的多轮MRC框架（MM-R）。我们的框架可以模拟情感和原因之间的复杂关系，同时避免生成配对矩阵（标签稀疏性问题的主要原因）。此外，多话轮结构还可以融合情感和原因之间的显性语义信息流。在基准情感原因语料库上进行的大量实验证明了我们提出的框架的有效性，它优于现有的最先进的方法。
2022-09-16 cs.AI cs.CL
Span-level Emotion-Cause-Category Triplet Extraction with Instruction Tuning LLMs and Data Augmentation
College of Computer Science and Engineering（计算机科学与工程学院）；Shandong University of Science and Technology（山东科技大学）；Guangxi Key Lab of Human-machine Interaction and Intelligent Decision（广西人机交互与智能决策重点实验室）；Nanning Normal University（南宁师范大学）
针对跨度级情感-原因-类别三元组抽取的挑战，本研究提出基于指令微调和数据增强的框架，无需特定任务架构，解决数据稀缺问题，实验表明其指标较基线提升至少12.8%，推动情感原因分析发展。
2025-04-13 cs.AI cs.CL
Pair-Based Joint Encoding with Relational Graph Convolutional Networks for Emotion-Cause Pair Extraction
South China University of Technology（华南理工大学）
情感-原因对提取（ECPE）是近年来受到广泛关注的一个研究课题，旨在提取情感小句及其对应的原因小句。先前的方法以指定的顺序顺序对特征进行顺序编码。他们首先编码的情感和原因特征提取小句，然后将它们结合起来对提取。这导致任务间特征交互的不平衡，其中稍后提取的特征与前者没有直接接触。为了解决这个问题，我们提出了一种新的基于对的联合编码（PBJE）网络，它产生的对和子句功能，同时在一个联合特征编码的方式来建模子句中的因果关系。PBJE能够平衡情感小句、原因小句和语对之间的信息流。从多关系的角度出发，构造了一个异构无向图，并应用关系图卷积网络（RGCN）来刻画子句之间的各种关系以及对与子句之间的关系。实验结果表明，PBJE在中文基准语料库上达到了最佳的性能。
2022-12-04 cs.AI cs.CL
ECR-Chain: Advancing Generative Language Models to Better Emotion-Cause Reasoners through Reasoning Chains
Renmin University of China（中国人民大学）
针对当前因果情绪蕴含（CEE）任务忽视情绪产生过程、缺乏可解释性的问题，本研究提出ECR-Chain逐步推理方法，通过少样本提示提升ChatGPT的CEE性能，还构建ECR-Chain数据集助力Vicuna-7B取得SOTA，实现了可解释的情绪-原因推理。
2024-05-21 cs.CL
Think out Loud: Emotion Deducing Explanation in Dialogues
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Pattern Recognition Center, WeChat AI, Tencent Inc.（腾讯公司微信AI模式识别中心）
本文提出对话情感演绎解释任务EDEN，要求模型以显式推理方式生成解释文本，先总结原因、分析内心活动再推测情感，并构建数据集验证LLMs在该任务上优于传统PLMs，开辟可解释情感理解新方向。
2024-06-07 cs.CL
An Experimental Study of The Effects of Position Bias on Emotion CauseExtraction
VMware（威睿）；Information Sciences Institute（信息科学研究所）；University of Southern California（南加州大学）
情感原因提取（ECE）的目的是在标注情感关键字后，从文档中识别情感原因。已经提出了一些基线来解决这个问题，例如基于规则的方法、基于常识的方法和机器学习方法。然而，我们发现，一个简单的随机选择方法对ECE，不需要观察文本实现类似的性能相比，基线。我们只利用相对于情绪原因的位置信息来实现这一目标。由于位置信息单独没有观察到的文本导致更高的F-措施，因此，我们发现在欧洲经委会单一体裁新浪新闻基准的偏见。进一步的分析表明，情感原因位置的不平衡存在的基准，与大部分的原因子句紧接在中央情感子句。我们从语言学的角度研究了这种偏差，并表明利用位置信息的当前最先进的深度学习模型的高准确率仅在包含这种位置偏差的数据集中是明显的。当引入具有平衡位置分布的数据集时，准确性急剧降低。因此，我们得出结论，正是这个基准测试中的固有偏差导致了ECE中这些深度学习模型的高准确率。我们希望本文中的案例研究既能提供警示性的教训，也能为进一步的研究提供模板，以解释深度学习模型的卓越拟合，而无需检查偏见。
2020-07-16 cs.CL
An End-to-End Network for Emotion-Cause Pair Extraction
Indian Institute of Technology Kanpur (IIT Kanpur)（印度理工学院坎普尔分校）；IBM Research（IBM研究院）
推理-原因对抽取（ECPE）的任务是抽取文档中所有潜在的情感小句对及其对应的原因。不像更好的研究任务的情绪原因提取（ECE），ECPE不需要情绪子句提供的注释。以前的ECPE工作要么遵循多阶段的方法，其中情感提取，原因提取和配对是独立完成的，要么使用复杂的架构来解决其局限性。在本文中，我们提出了一个端到端的ECPE任务模型。由于英语ECPE语料库的不可用，我们适应NTCIR-13 ECE语料库，并建立一个基线的ECPE任务在这个数据集上。在这个数据集上，所提出的方法比多阶段方法产生了显着的性能改进（F1分数增加约6.5），并实现了与最先进方法相当的性能。
2021-03-03 cs.AI cs.CL cs.LG
Emotion Action Detection and Emotion Inference: the Task and Dataset
Beijing Language and Culture University（北京语言大学）
许多自然语言处理的情感分析工作只关注于简单的情感分类，而没有探索将情感置于“事件语境”中的潜力，忽略了对情感相关事件的分析。一个主要原因是缺乏这样的语料库。在这里，我们提出的原因，情绪，行动语料库，手动注释不仅情绪，但也导致事件和行动事件。我们提出了两个新的任务的基础上的数据集：情感因果关系和情感推理。第一个任务是提取一个三元组（原因，情绪，行动）。第二个任务是推断可能的情绪。我们目前正在发布包含10，603个样本和15，892个事件的数据集，以及情绪因果关系和情绪推理任务的基本统计分析和基线。基线表现表明，这两项任务都有很大的改进余地。
2019-03-16 cs.CL
CauESC: A Causal Aware Model for Emotional Support Conversation
Fudan University（复旦大学）；Huazhong University of Science and Technology（华中科技大学）
针对现有情感支持对话方法忽略情绪成因、未关注互动情绪动态的问题，本文提出因果感知框架CauESC，通过识别情绪成因与效应、独立并整合言语疏导策略，在基准数据集上验证了有效性。
2024-01-31 cs.CL
NUS-Emo at SemEval-2024 Task 3: Instruction-Tuning LLM for Multimodal Emotion-Cause Analysis in Conversations
National University of Singapore（新加坡国立大学）；Xidian University（西安电子科技大学）；Wuhan University（武汉大学）
本文针对SemEval-2024多模态情感-原因对提取任务，提出基于LLM的情感-原因感知指令微调方法，结合ERC与ECPE双组件系统，实现34.71%加权F1分数并获排行榜第二名。
2024-08-22 cs.CL
PAGE: A Position-Aware Graph-Based Model for Emotion Cause Entailment in Conversation
Hangzhou City University（浙大城市学院）；Pennsylvania State University（宾夕法尼亚州立大学）
会话因果情感蕴涵（Conversational Causal Emotion Entailment，C2E2）是一种旨在识别会话中目标情感对应的原因的任务。会话中的话语顺序影响因果推理。然而，目前大多数的位置编码策略忽略了话语和说话人之间的顺序关系。为了解决这个问题，我们设计了一种新的位置感知图来编码整个对话，完全建模话语之间的因果关系。综合实验表明，我们的方法在两个具有挑战性的测试集上始终达到最先进的性能，证明了我们的模型的有效性。我们的源代码可以在Github上找到：https://github.com/XiaojieGu/PAGE。
2023-03-03 cs.CL
From Independent Prediction to Re-ordered Prediction: Integrating Relative Position and Global Label Information to Emotion Cause Identification
Nanjing University of Science and Technology（南京理工大学）
情感原因识别的目的是识别导致文本中某种情感表达的潜在原因。基于人工设计的规则和特征，已经提出了包括基于规则的方法和传统机器学习方法在内的几种技术来解决这个问题。最近，一些深度学习方法也被应用于这一任务，试图自动捕捉文本中体现的情感及其原因的因果关系。在这项工作中，我们发现，除了文本的内容，还有另外两种信息，即相对位置和全局标签，这也是非常重要的情感原因识别。为了整合这些信息，我们提出了一个基于神经网络架构的模型，以统一和端到端的方式对三个元素（$i.e.$，文本内容，相对位置和全局标签）进行编码。我们引入了一个相对位置增强的嵌入学习算法，并将任务从一个独立的预测问题转化为一个重排序的预测问题，其中的动态全局标签信息。在基准情感原因数据集上的实验结果表明，我们的模型实现了新的最先进的性能，并且比许多竞争基线表现得更好。进一步的分析表明，相对位置增强嵌入学习算法和动态全局标签的重排序预测机制的有效性。
2019-06-04 cs.CL
Joint Alignment of Multi-Task Feature and Label Spaces for Emotion Cause Pair Extraction
Wuhan University（武汉大学）；National University of Singapore（新加坡国立大学）
情感原因对提取作为情感原因分析的一个派生子任务，与情感提取和原因提取有着丰富的内在联系。因此，EE和CE经常被用作更好的特征学习的辅助任务，通过先前的工作通过多任务学习（MTL）框架建模，以实现最先进的（SoTA）ECPE结果。然而，现有的基于MTL的方法要么不能同时建模的特定功能和之间的交互功能，或遭受的标签预测的不一致性。在这项工作中，我们考虑通过使用新的A^2Net模型执行两种对齐机制来解决上述挑战，以改善ECPE。首先，我们提出了一个功能任务对齐明确建模的特定的情感和原因的特定功能和共享的交互功能。此外，实现了任务间对齐，其中ECPE和EE&CE的组合之间的标签距离被学习以缩小以获得更好的标签一致性。基准测试的评估表明，我们的方法优于目前性能最好的系统在所有ECA子任务。进一步的分析证明了我们提出的对齐机制的任务的重要性。
2022-09-09 cs.AI cs.CL
Neutral Utterances are Also Causes: Enhancing Conversational Causal Emotion Entailment with Social Commonsense Knowledge
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tencent Inc（腾讯公司）
会话因果情感蕴涵的目的是从会话中检测出非中性目标话语的因果话语。在这项工作中，我们建立对话图，以克服隐含的上下文建模的原始蕴涵风格。在前面工作的基础上，我们进一步将情感信息引入到图中。情感信息可以显著促进与目标话语情感相同的因果话语的检测。然而，仍然很难检测到不同情绪的因果话语，特别是中性的。原因是模型在推理因果线索和在话语之间传递它们方面受到限制。为了缓解这个问题，我们引入了社会常识知识（CSK）并提出了知识增强对话图（KEC）。KEC在两个话语之间传播CSK。由于并不是所有的CSK都是情感上适合的，因此我们提出了一种情感实现的知识选择策略来过滤CSK。为了处理KEC，我们进一步构建了知识增强有向无环图网络。实验结果表明，我们的方法优于基线，并推断出更多的原因与不同的情绪从目标话语。
2022-05-07 cs.CL
Perspective-taking and Pragmatics for Generating Empathetic Responses Focused on Emotion Causes
Seoul National University（首尔国立大学）
移情是一种基于对他人情感状态的推理的复杂认知能力。为了更好地理解他人，并在对话中表达更强的同理心，我们认为，两个问题必须同时解决：（一）确定哪个词是另一个情绪的原因，从他或她的话语和（ii）反映这些特定的话在响应生成。然而，用于识别文本中的情感原因词的先前方法需要子话语级注释，这可能是苛刻的。从社会认知中获得灵感，我们利用生成估计器从没有词级标签的话语中推断情感原因词。此外，我们引入了一种新的方法，基于语用学，使对话模型集中在目标词的输入在生成过程中。我们的方法适用于任何对话模型，无需额外的训练。我们表明，我们的方法提高了多个性能最佳的对话代理在自动和人工评价方面产生更集中的移情反应。
2021-09-21 cs.CL
PetKaz at SemEval-2024 Task 3: Advancing Emotion Classification with an LLM for Emotion-Cause Pair Extraction in Conversations
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
该研究面向对话情感-原因对抽取，结合微调 GPT-3.5 进行情感分类与 BiLSTM 网络检测原因，在 SemEval-2023 Task 3 子任务1中获得第二名。
2024-04-08 cs.AI cs.CL
Samsung Research China-Beijing at SemEval-2024 Task 3: A multi-stage framework for Emotion-Cause Pair Extraction in Conversations
Samsung Research China-Beijing（三星中国研究院（北京））；Samsung R&D Institute China-Beijing（三星中国研发院（北京））
本研究提出一个多阶段框架，用于对话中的多模态情绪-原因对抽取，利用基于 Llama-2 的 InstructERC 识别情绪，并结合双流注意力模型和 MuTEC 抽取因果对与因果跨度，在 SemEval-2024 Task 3 的两个子任务中均获第一名。
2024-04-25 cs.CL cs.SD eess.AS
Position Bias Mitigation: A Knowledge-Aware Graph Model for Emotion Cause Extraction
University of Warwick（华威大学）
针对现有情感原因抽取任务中模型依赖相对位置特征、受数据集位置偏差影响的问题，提出知识感知图模型，利用常识知识建模情感触发路径，在保持原数据集性能持平的同时提升了对抗鲁棒性。
2023-12-19 cs.AI cs.CL
Detecting Concept-level Emotion Cause in Microblogging
Fujitsu R&D Center Co., Ltd.（富士通研究开发中心有限公司）
本文提出了一种概念层次的情感原因模型（CECM），而不是单纯的词汇层次的模型，以发现微博用户对特定热点事件的各种情绪的原因。CECM利用改进的主题监督双项主题模型检测事件相关推文中的情感主题，然后利用上下文相关的主题PageRank检测作为情感原因的有意义的多词表达。在中国最大的微博网站之一新浪微博的数据集上的实验结果表明，CECM可以更好地检测情绪原因比基线方法。
2015-04-30 cs.AI cs.CL
CrisisKD: Five-Stage Knowledge Distillation for Aspect-Level Sentiment and Emotion Analysis in Crisis Discourse
University of Twente（特文特大学）；University of Zagreb（萨格勒布大学）
提出CrisisKD五阶段知识蒸馏框架，用教师LLM生成标签和推理，训练学生模型进行方面级情感与情绪分析，显著提升性能并降低推理成本。
2026-09-09 cs.CL
They Are Not the Same: Direct Causes Are Not Grounded Emotion Explanations
Universiti Malaya, Malaysia（马来亚大学）；Suzhou University of Technology, China（苏州科技学院）；VinUniversity, Vietnam（Vin 大学）
本文通过IEMO-MECP数据集分析发现，情感-原因对提取（ECPE）任务中的二元分类代理只能有效提取直接触发原因，而无法提供基于证据的情感解释，因为情感上下文（emo-context）在二元边界处被忽略，且模型在捷径压力下倾向于选择便利归因而非真实解释。
2026-05-24 cs.CL
M3HG: Multimodal, Multi-scale, and Multi-type Node Heterogeneous Graph for Emotion Cause Triplet Extraction in Conversations
Tongji University（同济大学）
本文提出M3HG模型，通过多模态异质图显式建模情绪与因果上下文，并融合话语内外部信息，以解决多模态对话中情绪原因三元组抽取问题，同时引入首个多场景数据集MECAD，实验验证其有效性。
2025-08-26 cs.AI cs.CL
Towards an Online Empathetic Chatbot with Emotion Causes
Xiaomi AI Lab（小米人工智能实验室）
现有的情感感知对话模型通常侧重于控制响应内容以与特定的情感类别保持一致，而同理心是理解和关心他人感受和体验的能力。因此，关键是要了解引起用户情感共鸣的原因。情感原因。为了收集在线环境中的情绪原因，我们利用咨询策略并开发了一个移情聊天机器人来利用因果情绪信息。在一个真实的在线数据集上，我们通过将我们的聊天机器人与几种使用自动度量、基于专家的人工判断以及基于用户的在线评估的SOTA方法进行比较，验证了所提出方法的有效性。
2021-05-11 cs.AI cs.CL
Chinese Financial Text Emotion Mining: GCGTS -- A Character Relationship-based Approach for Simultaneous Aspect-Opinion Pair Extraction
Jiangxi University of Finance and Economics（江西财经大学）
针对中文金融文本AOPE任务中字符级编码忽略字符逻辑关系的问题，提出GCGTS方法，利用图卷积网络融合句法结构并引入图像卷积捕捉局部关系，显著提升了模型性能并减少了对预训练模型的依赖。
2023-08-04 cs.CL
Learning Robust Pair Confidence for Multimodal Emotion-Cause Pair Extraction
Institute for Advanced Studies（先进研究院）；Universiti Malaya（马来大学）；School of Information Engineering（信息工程学院）；Suqian University（宿州学院）；Digitization Department（数字化部门）
提出RPCL框架，通过置信度差异边界约束和对抗性扰动，增强多模态情感-原因对提取中成对置信度的判别性和稳定性，在三个数据集上提升Pair F1约2.6-2.8个百分点。
2026-06-18 cs.CL
MIPS at SemEval-2024 Task 3: Multimodal Emotion-Cause Pair Extraction in Conversations with Multimodal Language Models
Shenzhen Technology University（深圳技术大学）；Carnegie Mellon University（卡内基梅隆大学）
本研究针对SemEval 2024任务3的对话多模态情绪原因分析子任务，提出整合多模态特征的MER-MCE框架，取得0.3435的加权F1分，位列第三名。
2024-04-11 cs.CL cs.CV cs.MM
Multimodal End-to-End Sparse Model for Emotion Recognition
Center for Artificial Intelligence Research (CAiRE)（人工智能研究中心 (CAiRE)）；The Hong Kong University of Science and Technology（香港科技大学）
现有的多模态情感计算任务，如情感识别，一般采用两阶段的管道，首先提取特征表示为每个单一的模态与手工制作的算法，然后执行端到端的学习与提取的功能。然而，提取的特征是固定的，并且不能在不同的目标任务上进一步微调，并且手动寻找特征提取算法不能很好地推广或扩展到不同的任务，这可能导致次优性能。在本文中，我们开发了一个完全端到端的模型，将这两个阶段连接起来，并对其进行联合优化。此外，我们重新构建了当前的数据集，以实现完全的端到端训练。此外，为了减少端到端模型带来的计算开销，我们引入了一个稀疏的跨模态注意力机制的特征提取。实验结果表明，我们完全端到端的模型显着优于目前的国家的最先进的模型的基础上的两个阶段的管道。此外，通过增加稀疏的跨模态注意力，我们的模型可以保持性能与大约一半的计算在特征提取部分。
2021-12-03 cs.CL
Natural Language Processing for Cognitive Analysis of Emotions
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；Institut Universitaire de France（法国大学研究院）；CentraleSupélec（中央理工-高等电力学院）
文本中的情感分析有两个主要的局限性：带注释的黄金标准语料库大多是小而同质的，情感识别往往被简化为一个层次的分类问题。为了解决这些问题，我们引入了一个新的注释方案来探索情感及其原因，以及一个新的法国数据集，由情感场景的自传体描述组成。本文采用A.芬克尔帮助人们改善他们的情绪管理。该方法需要由接受过认知分析培训的教练手动分析情绪事件。我们提出了一个基于规则的方法来自动注释情绪和它们的语义角色（例如情绪原因），以方便教练识别相关方面。我们研究未来的方向，情感分析使用图结构。
2022-10-11 cs.CL
AIMA at SemEval-2024 Task 3: Simple Yet Powerful Emotion Cause Pair Analysis
Sharif University of Technology（谢里夫理工大学）；Qatar Computing Research Institute（卡塔尔计算研究所）
针对SemEval-2024任务3，AIMA团队提出三阶段模型（嵌入提取、原因对提取与情感分类、问答原因提取），在23队中分别位列子任务1第10名和子任务2第6名。
2025-01-19 cs.AI cs.CL cs.LG
Multi-Task Learning Framework for Extracting Emotion Cause Span and Entailment in Conversations
Indian Institute of Technology Kanpur (IIT-K)（印度理工学院坎普尔分校（IIT-K））
预测文本中表达的情感是NLP社区中研究得很好的问题。近年来，在提取文本中表达的情感的原因方面进行了积极的研究。以往的工作大多是在文档中进行因果情感蕴涵。在这项工作中，我们提出了神经模型来提取情感的原因跨度和蕴涵在对话中。为了学习这样的模型，我们使用RECCON数据集，该数据集在话语级别上用原因跨度进行了注释。特别是，我们提出了MuTEC，一个端到端的多任务学习框架，用于提取情感，情感原因和会话中的蕴涵。这与现有的基线模型相反，现有的基线模型使用地面真实情绪来提取原因。对于数据集中提供的大多数数据折叠，MuTEC的表现优于基线。
2022-11-07 cs.AI cs.CL cs.LG
SemEval-2024 Task 3: Multimodal Emotion Cause Analysis in Conversations
Nanyang Technological University（南洋理工大学）
本文介绍 SemEval-2024 Task 3，该任务面向对话情感原因分析，设置文本与多模态两个情感—原因配对抽取子任务，并基于143次注册、216次提交总结数据集、评估及参赛系统发现。
2024-07-08 cs.AI cs.CL cs.MM
LastResort at SemEval-2024 Task 3: Exploring Multimodal Emotion Cause Pair Extraction as Sequence Labelling Task
IIIT Hyderabad（印度信息技术研究所海得拉巴分校）
本文将多模态情绪原因对抽取建模为话语标注与序列标注任务，结合不同编码器、BiLSTM 上下文建模和 CRF 层，在 SemEval-2024 任务 3 官方排行榜上以 0.1759 的 F1 分数排名第 8。
2024-04-02 cs.CL cs.SD eess.AS
Causal Discovery Inspired Unsupervised Domain Adaptation for Emotion-Cause Pair Extraction
Monash University（莫纳什大学）；Victorian Institute of Forensic Medicine（维多利亚法医研究所）
针对跨域情感-原因对抽取，本文提出受因果发现启发的CAREL-VAE模型，利用情感知识桥接事件分布并通过变分后验正则化解耦表示，在中英文基准上显著超越最强基线。
2025-02-17 cs.AI cs.CL cs.LG
