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
Generative Emotion Cause Explanation in Multimodal Conversations
Northeastern University（东北大学）；Shenyang Women’s and Children’s Hospital（沈阳市妇女儿童医院）
本文提出多模态对话情感原因解释任务MECEC，构建ECEM数据集，并设计FAME-Net利用大语言模型分析面部表情和情感传染效应，在实验中优于多个基线模型。
2025-06-04 cs.AI cs.CL cs.CV
Analysis of impact of emotions on target speech extraction and speech separation
Brno University of Technology（布尔诺理工大学）；NTT Corporation（日本电信电话株式会社）
近年来，语音盲分离和目标语音提取的性能有了很大的提高。然而，大多数工作集中在相对良好控制的条件下，例如，读演讲稿。在更现实的情况下，性能可能会降低。造成这种退化的因素之一可能是固有的扬声器可变性，如情绪，通常发生在现实的语音。在本文中，我们研究情绪对TSE和BSS的影响。我们创建了一个新的测试数据集的情绪混合物的评估TSE和BSS。该数据集结合了LibriSpeech和Ryerson情感语音和歌曲视听数据库（RAVDESS）。通过控制实验，分析不同情绪对BSS和TSE绩效的影响。我们观察到，BSS是相对强大的情绪，而TSE，它需要识别和提取的语音的目标扬声器，是更敏感的情绪。在比较说话人确认实验中，我们发现，识别目标说话人可能是特别具有挑战性的处理情感的语音。利用我们的研究结果，我们概述了未来可能的方向，可以提高BSS和TSE系统对情感语音的鲁棒性。
2022-08-15 cs.LG cs.SD eess.AS
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
SFE-Net: EEG-based Emotion Recognition with Symmetrical Spatial Feature Extraction
University of Electronic Science and Technology of China（电子科技大学）
基于脑电信号的情感识别在人机交互、远程教育和医疗保健等领域有着广泛的应用。然而，传统的方法忽略了相邻和对称的特征，脑电信号，其中也包含了显着的信息有关的情绪。本文提出了一种空间折叠集成网络（SFE-Net）用于脑电特征提取和情感识别。首先，针对脑电电极间的未检测区域，提出了一种改进的Bicubic-EEG插值算法，用于脑电通道信息的补齐，使我们能够提取更大范围的相邻空间特征。然后，根据人脑空间对称性的特点，采用5种不同的对称策略对输入脑电信号通道数据进行折叠，使网络能够更有效地提取脑电信号的空间特征信息。最后，一个基于3DCNN的空间，时间提取，集成学习的多投票策略集成到一个新的神经网络模型。利用该网络，可以同时提取不同对称折叠信号的空间特征，大大提高了情感识别的鲁棒性和准确性。在DEAP和SEED数据集上的实验结果表明，该算法在识别精度方面具有相当的性能。
2021-08-27 cs.LG eess.SP
Speaker Emotion Recognition: Leveraging Self-Supervised Models for Feature Extraction Using Wav2Vec2 and HuBERT
本研究利用自监督模型Wav2Vec2和HuBERT从原始音频自动提取特征进行说话人情感识别，在多个公开数据集及呼叫中心真实场景中验证了方法的有效性。
2024-11-06 cs.AI cs.LG cs.SD
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
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
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
Weight-based Channel-model Matrix Framework provides a reasonable solution for EEG-based cross-dataset emotion recognition
Lanzhou University（兰州大学）；Beijing Institute of Technology（北京理工大学）；Inner Mongolia University（内蒙古大学）；Shandong Academy of Intelligent Computing Technology（山东智能计算技术研究院）；Chinese Academy of Sciences（中国科学院）
跨数据集情感识别是基于脑电信号的情感计算领域中一个极具挑战性的任务，它受到多种因素的影响，使得通用模型的识别效果不理想。针对脑电信息解码研究缺乏的现状，首先在5个公开数据集上，通过样本空间可视化、样本聚集现象量化和能量模式分析，分析了不同脑电信息（个体、会话、情绪和试验）对情绪识别的影响。基于这些现象和模式，我们提供了各种脑电差异的处理方法和解释工作。通过对情绪特征分布模式的分析，发现个体情绪特征分布差异（IEFDD）是影响情绪识别稳定性的主要因素。分析了传统建模方法受IEFDD影响的局限性，提出了基于权重的通道模型矩阵框架（WCMF）。为合理表征情感特征分布模式，设计了4种权重提取方法，其中校正T检验（CT）权重提取方法效果最佳。最后，通过模拟不同实际场景的两类跨数据集任务验证了WCMF的性能，结果表明WCMF具有更稳定、更好的情感识别能力。
2022-11-04 cs.AI cs.LG eess.SP
GoodNewsEveryone: A Corpus of News Headlines Annotated with Emotions, Semantic Roles, and Reader Perception
大多数从文本中进行情感分析的研究都集中在情感分类或情感强度回归上。较少的作品将情绪作为一种需要通过结构化学习来解决的现象，这可以通过缺乏相关数据集来解释。我们填补了这一空白，通过发布一个数据集的5000个英语新闻标题注释通过众包与他们相关的情感，相应的情感体验者和文本线索，相关的情感原因和目标，以及读者的感知标题的情感。考虑到要识别的类和角色的数量很大，这个注释任务是非常具有挑战性的。因此，我们提出了一个多阶段的注释过程中，我们首先找到相关的实例与情感内容，然后注释更细粒度的方面。最后，我们开发了一个自动预测语义角色结构的任务的基线，并讨论了结果。我们发布的语料库可以进一步研究情绪分类，情绪强度预测，情绪原因检测，并支持进一步的定性研究。
2020-03-03 cs.AI cs.CL cs.IR
Control Globally, Understand Locally: A Global-to-Local Hierarchical Graph Network for Emotional Support Conversation
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）
情感支持谈话旨在减轻求助者的情感困扰，是一项新的、具有挑战性的课题。这就要求系统能够探究求助者情绪困扰的原因，了解其心理意图，从而提供支持性的应对措施。然而，现有的方法主要关注会话的序列性语境信息，忽视了会话背后的全局原因和局部心理意图之间的层次关系，从而导致情感支持能力较弱。在本文中，我们提出了一个全球到本地的层次图网络捕获多源信息（全球原因，本地意图和对话历史）和模型之间的层次关系，它包括一个多源编码器，层次图推理，和一个全球指导解码器。此外，设计了一种新的训练目标来监控全局原因的语义信息。在情感支持会话数据集ESConv上的实验结果证实了所提出的GLHG在自动和人工评估方面都达到了最先进的性能。代码将在此处发布\footnote{\small{~https://github.com/pengwei-iie/GLHG}}。
2022-11-08 cs.CL
Milmer: a Framework for Multiple Instance Learning based Multimodal Emotion Recognition
本文提出Milmer框架，结合面部表情分析与EEG信号，采用Transformer融合方法提升多模态情感识别性能，通过细调Swin Transformer和交叉注意力机制实现高效特征融合，实验显示在DEAP数据集上达到96.72%的四类情感识别准确率。
2025-02-01 cs.AI cs.CV cs.HC
Emotion Prediction Oriented method with Multiple Supervisions for Emotion-Cause Pair Extraction
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
情感-原因对提取（ECPE）任务的目的是从一个未标注的情感文本中提取所有的情感对及其原因。以往的研究通常从情感和原因两个角度来提取情感-原因对。然而，情绪提取是更重要的ECPE任务比原因提取。基于这种分析，我们提出了一种面向情感预测的端到端情感-原因提取方法（EPO-ECPE），旨在充分利用情感预测的潜力来增强情感-原因对提取。考虑到情感预测和情感-原因对提取之间的强依赖性，我们提出了一种同步机制来共享它们在训练过程中的改进。也就是说，情感预测的改进可以促进情感-原因对的提取，然后情感-原因对提取的结果也可以同时用于提高情感预测的准确性。对于情感-原因对的提取，我们将其分为真对监督和假对监督，其中真对监督从更可能是情感-原因对的对中学习。相比之下，伪对监督从其他对学习。通过这种方式，可以直接从真实对中提取情感-原因对，从而降低提取的难度。实验结果表明，我们的方法优于13个比较系统，并实现了新的国家的最先进的性能。
2023-02-24 cs.AI cs.CL
IEST: WASSA-2018 Implicit Emotions Shared Task
Universität Stuttgart（斯图加特大学）；Ghent University（根特大学）；National Research Council Canada（加拿大国家研究委员会）；European Commission Joint Research Centre（欧盟委员会联合研究中心）
过去关于情绪的共享任务使用的数据既有公开的情绪表达（我很高兴见到你！）以及必须从事件描述等中推断出情感的微妙表达。此外，大多数数据集并不关注情绪的原因或刺激。在这里，我们第一次提出了一个共享的任务，系统必须在一个大型自动标记的推文数据集中预测情绪，而无需访问表示情绪的单词。基于这种意图，我们称之为内隐情感共享任务（IEST），因为系统必须主要从上下文推断情感。每条推文都有一个被掩盖的明确情感词。这些推文是以一种方式收集的，这样它们就可能包括对情绪原因的描述-刺激。总共有30支车队提交了从21%到71%的宏观F1分数范围的结果。基线（MaxEnt单词袋和二元组）获得60%的F1分数，这在开发阶段可供参与者使用。一项对人类注释者的研究表明，自动方法的表现优于人类预测，可能是通过磨练人类不使用的微妙文本线索。语料库、资源和结果可在共享任务网站http://implicitemotions.wassa2018.com上获得。
2018-09-05 cs.CL
Recognizing Conditional Causal Relationships about Emotions and Their Corresponding Conditions
City University of Hong Kong（香港城市大学）；Hong Kong Metropolitan University（香港都会大学）；Lingnan University（岭南大学）；Hong Kong Polytechnic University（香港理工大学）
本文提出识别情感-原因对在不同上下文下是否成立的新任务，构建带上下文类型标注的数据集，并设计端到端多任务框架，通过上下文掩码和预测聚合模块抽取关键上下文并提升因果判断性能。
2023-11-28 cs.CL
Crowdsourcing and Validating Event-focused Emotion Corpora for German and English
Institut für Maschinelle Sprachverarbeitung（机器语言处理研究所）；University of Stuttgart（斯图加特大学）
情感分析有一系列跨多种语言的语料库。对于情感分析，情况更加有限，这阻碍了跨语言建模的潜在研究和其他语言预测模型的开发。在本文中，我们填补了这一空白，德国通过构建deISOKING，语料库设计的类比建立良好的英语ISOKING情感数据集。受Scherer的评价理论的启发，我们实施了一个众包实验，包括两个步骤。在步骤1中，参与者为给定的情绪创建情绪事件的描述。在步骤2中，五个注释者评估文本所表达的情感。我们表明，通过机器翻译将情感分类模型从原始的英语ISORM转移到德语众包deISORM，平均而言，不会导致性能下降。
2019-05-31 cs.AI cs.CL cs.HC
ViTOED: A Dataset for Target-Oriented Emotion Detection on Vietnamese Social Media Texts
Faculty of Information Science and Engineering, University of Information Technology（信息科学与工程学院，信息科技大学）；Vietnam National University, Ho Chi Minh City（越南国家大学胡志明市分校）
该研究构建了越南社交媒体定向情感检测数据集ViTOED，提出基于结构化情感图的基线方法并评估相关预训练模型，揭示了该任务的挑战及模型改进空间。
2026-09-18 cs.CL
Computational Emotion Analysis From Images: Recent Advances and Future Directions
PAII Inc.（PAII公司）；Imperial College London（帝国理工学院）；Tsinghua University（清华大学）；Nankai University（南开大学）
人类的情感通常是由图像引起的。最近，广泛的研究工作一直致力于理解图像的情感。在本章中，我们的目标是从计算的角度介绍图像情感分析（IEA），重点是总结最近的进展，并提出未来的发展方向。我们从心理学中常用的情感表征模型开始。然后，我们定义了研究人员一直试图解决的关键计算问题，并提供了通常用于不同IEA任务的监督框架。在介绍了IEA面临的主要挑战之后，我们介绍了情感特征提取、监督分类器学习和领域自适应等几种典型的方法。此外，我们介绍了可用的数据集进行评估，并总结了一些主要结果。最后，我们讨论了一些开放的问题和研究人员可以追求的未来方向。
2021-03-19 cs.AI cs.CV cs.HC
Emotion Stimulus Detection in German News Headlines
Institut für Maschinelle Sprachverarbeitung, University of Stuttgart（斯图加特大学机器语言处理研究所）
情感刺激提取是情感分析的细粒度子任务，其专注于从文本段落中识别情感表达背后的原因描述（例如，在句子“I am happy that I passed my exam”中，短语“passed my exam”对应于刺激。以前的工作主要集中在普通话和英语，没有德语的资源或模型。我们填补了这一研究空白，开发了一个语料库2006年德国新闻标题注释的情绪和811例刺激短语的注释。鉴于这样的语料库创建工作是耗时和昂贵的，我们还致力于将现有的英语GoodNewsEveryone（GNE）语料库投影到机器翻译的德语版本的方法。我们比较了条件随机场（CRF）模型（通过投影在德语和跨语言上进行单语训练）与多语言XLM-RoBERTA（XLM-R）模型的性能。我们的研究结果表明，与德国语料库的训练达到更高的F1分数比投影。XLM-R的实验优于其各自的CRF对应物。
2022-05-16 cs.CL
EmoDiarize: Speaker Diarization and Emotion Identification from Speech Signals using Convolutional Neural Networks
School of Digital Sciences（数字科学学院）；Applied NLP Research Lab（应用自然语言处理研究实验室）
本研究提出EmoDiarize框架，结合现有说话人日志分离流程与CNN情感识别模型，利用MFCC等特征和数据增强技术，在五个语音情感数据集上实现了63%的无加权准确率，有效解决了语音信号中的情感识别挑战。
2023-10-19 cs.CL cs.SD eess.AS
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
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
Emotion-Cause Pair Extraction: A New Task to Emotion Analysis in Texts
Nanjing University of Science and Technology（南京理工大学）
情感原因提取是一项旨在从文本中提取情感背后潜在原因的任务，由于其广泛的应用，近年来受到了广泛的关注。然而，该方法存在两个不足：1）在ECE中提取原因之前必须先对情感进行标注，这极大地限制了其在现实场景中的应用; 2）先标注情感再提取原因的方法忽略了情感和原因是相互指示的事实。在这项工作中，我们提出了一个新的任务：情绪-原因对提取（ECPE），其目的是提取潜在的情绪和相应的原因在一个文件。我们提出了一个两步的方法来解决这个新的ECPE任务，首先通过多任务学习执行个人情感提取和原因提取，然后进行情感-原因配对和过滤。在一个基准情感原因语料库上的实验结果证明了ECPE任务的可行性以及该方法的有效性。
2019-06-04 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
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
End-to-end Emotion-Cause Pair Extraction via Learning to Link
Beijing Institute of Technology（北京理工大学）；University of Padua（帕多瓦大学）
情感-原因对抽取（ECPE）是一项新兴的自然语言处理任务，旨在联合研究文档中的情感及其潜在原因。它扩展了以前的情感原因提取（ECE）的任务，但不需要一组预先给定的情感条款，在ECE。现有的ECPE方法通常采用两阶段方法，即，(1)情感和原因检测，以及（2）将检测到的情感和原因配对。这种流水线方法虽然直观，但存在两个关键问题，包括可能阻碍有效性的跨阶段误差传播，以及限制该方法实际应用的高计算成本。为了解决这些问题，我们提出了一个多任务学习模型，可以提取情绪，原因和情绪-原因对同时在一个端到端的方式。具体来说，我们的模型将对提取视为链接预测任务，并学习从情感子句到原因子句的链接，即，链路是定向的。情感提取和原因提取作为辅助任务被纳入模型，这进一步促进了对提取。在ECPE基准测试数据集上进行了实验。结果表明，我们提出的模型优于一系列最先进的方法。
2022-12-14 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
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
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
ECSP: A New Task for Emotion-Cause Span-Pair Extraction and Classification
Beijing Language and Culture University（北京语言大学）
情绪原因分析方法如情绪原因提取、情绪-原因对提取等逐渐受到研究者的关注。然而，现有的研究还存在两个不足：1）在大多数情况下，情感表达和原因不是整个小句，而是小句中的跨度，因此提取小句对而不是跨度对极大地限制了其在现实场景中的应用; 2）不识别情感类别就提取情感表达小句是不够的，由于不同的可能原因，情感从句的出现不一定明确地传达情感信息。本文提出了一个新的任务：情感-原因跨对提取与分类（ECSP），旨在提取文档中潜在的情感跨对及其对应的原因，并对每一跨对进行情感分类。在新的ECSP任务中，ECE和ECPE可以被看作是小句层面的两个特例。我们提出了一个基于跨度的提取然后分类（ETC）模型，其中情感和原因直接提取和配对的目标跨度边界的监督下，从文档中，相应的类别，然后使用其对表示和本地化的上下文进行分类。实验结果表明，本文提出的ETC模型在ECE和ECPE任务上的性能分别优于SOTA模型，在ECSP任务上得到了足够的结果。
2020-03-07 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
Emotion-Cause Pair Extraction as Question Answering
Cinnamon AI（肉桂人工智能公司）；Hung Yen University of Technology and Education（兴安技术教育大学）
情感-原因对抽取（ECPE）的任务是在没有任何情感或原因子句注释的情况下抽取文档中所有潜在的情感-原因对。以前的方法ECPE试图改善传统的两步处理方案，通过使用复杂的架构建模的情绪-原因的相互作用。在本文中，我们将ECPE任务转换为问答（QA）问题，并提出了简单而有效的基于BERT的解决方案来解决它。给定一个文档，我们的Guided-QA模型首先使用一个固定的问题来预测最佳的情感子句。然后，预测的情绪被用作一个问题来预测情绪的最潜在原因。我们评估我们的模型在一个标准的ECPE语料库。实验结果表明，尽管它的简单性，我们的引导QA取得了可喜的成果，很容易重现。并给出了Guided-QA的代码。
2023-01-06 cs.CL
A Dual-Questioning Attention Network for Emotion-Cause Pair Extraction with Context Awareness
Dalian University of Technology（大连理工大学）
情感-原因对抽取（ECPE）是情感分析领域的一个新兴课题，旨在抽取文本中的情感对及其对应的原因。这是一个比情绪原因提取（ECE）更具挑战性的问题，因为它不需要情绪信号，这被证明是ECE任务中的重要作用。现有的工作遵循两个阶段的管道，在第一步确定情绪和原因，并在第二步将它们配对。然而，跨步骤的错误传播和没有上下文信息的配对组合限制了有效性。因此，我们提出了一个双重提问注意力网络来缓解这些限制。具体来说，我们通过注意力网络独立地询问候选人的情绪和原因，以获得上下文和语义的答案。此外，我们探讨如何加权损失函数在控制步骤之间的错误传播。实证结果表明，我们的方法在多个评估指标方面优于基线。源代码可以在www.example.com上获得。
2021-04-15 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
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
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
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
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
Extracting and Steering Emotion Representations in Small Language Models: A Methodological Comparison
ModuLabs（ModuLabs实验室）
本文比较了小型语言模型中情绪向量提取方法，评估了9种模型在5种架构家族中的情绪表示，发现生成基于的方法在情绪分离上更优，并揭示了情绪表示在中间transformer层的定位及引导实验中的三种 regime。
2026-04-05 cs.AI cs.CL
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
Co-evolving Graph Reasoning Network for Emotion-Cause Pair Extraction
Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Technology Sydney（悉尼科技大学）；Centre for Frontier AI Research, A*STAR（新加坡科技研究局前沿人工智能研究中心）
本文提出基于协同演化推理的多任务框架与多任务关系图，并构建 CGR-Net，通过双向反馈和预测级交互提升情感-原因对抽取性能。
2023-06-07 cs.AI cs.CL
