论文解析 Transition-based Directed Graph Construction for Emotion-Cause Pair Extraction – 20’ACL
论文: Transition-based Directed Graph Construction for Emotion-Cause Pair Extraction. C Fan, C Yuan, J Du, L Gui, M Yang, R Xu. ACL 2020 [pdf] [code]
现有问题:
现有pipeline框架中情绪识别和原因提取分分开进行的,存在误差传播的问题
解决方法:
提出了一种基于转换的模型,将任务转换为类似解析的有向图构建过程。
该模型基于有时序的一系列操作,增量式地生成有向图,通过这个过程可以同时识别情绪及其对应的原因,使相互独立的任务联结在一起,最大化的利用任务之间的相互依赖性。
工作与贡献:
-
通过学习基于转换的框架,将端到端的情绪原因对提取任务转换为类似解析的有向图结构过程的任务
-
通过联合学习框架可以同时提取情绪和对应的原因,并且一般情况下具有线性的时间复杂度
模型结构:
输入:情绪文本 dnl =(c1, c2, ..., cn) (子句流)
输出:搜索最佳操作序列 Aml = (a1, a2, ..., am)
论文解析 Transition-based Directed Graph Construction for Emotion-Cause Pair Extraction – 20’ACL
论文: Transition-based Directed Graph Construction for Emotion-Cause Pair Extraction. C Fan, C Yuan, J Du, L Gui, M Yang, R Xu. ACL 2020 [pdf] [code]
现有问题:
现有pipeline框架中情绪识别和原因提取分分开进行的,存在误差传播的问题
解决方法:
提出了一种基于转换的模型,将任务转换为类似解析的有向图构建过程。
该模型基于有时序的一系列操作,增量式地生成有向图,通过这个过程可以同时识别情绪及其对应的原因,使相互独立的任务联结在一起,最大化的利用任务之间的相互依赖性。
工作与贡献:
-
通过学习基于转换的框架,将端到端的情绪原因对提取任务转换为类似解析的有向图结构过程的任务
-
通过联合学习框架可以同时提取情绪和对应的原因,并且一般情况下具有线性的时间复杂度
模型结构:
输入:情绪文本 dnl =(c1, c2, ..., cn) (子句流)
输出:搜索最佳操作序列 Aml = (a1, a2, ..., am)