论文阅读——Knowledge-Bridged Causal Interaction Network for Causal Emotion Entailment

---

摘要

论文出自哈工大赵妍妍老师和秦兵老师的团队
Causal Emotion Entailment(CEE)旨在识别对话中目标情绪话语的原因。之前的工作局限于对对话上下文的透彻理解以及对情绪原因的准确推理。为此，我们提出了知识桥接的因果交互网络(Knowledge-Bridged Causal Interaction Network,KBCIN)，其中常识知识被用作3个桥梁。具体地，我们为每个对话构造了一个图，并通过CSK-Enhanced图注意力模块，将以事件为中心的常识知识作为semantics-level的桥梁(S-bridge)来捕获深层的话语间的依赖。此外，社会交互的常识知识作为emotion-leve的桥梁(E-bridge)以及action-level的桥梁(A-bridge)用来连接候选话语，并为情绪交互模块和行为交互模块来推理目标情绪提供了显示的因果线索。实验结果表明我们的模型要优于现有的基线模型。我们的代码地址为：https://github.com/circle-hit/KBCIN.

引言

现有的大多数工作聚焦于对话中的情绪识别。然而，情绪推理任务比如识别对话中情绪背后的原因仍然未被探索。Poria等人认为RECCON有利于改善情感模型的可解释性和性能。同时他在很多领域上诸如情感支持系统和共情对话系统上有很多潜在应用。因此Poria等人提出一个新的任务和数据集，它包含两个不同的子任务：Causal Span Extraction和Causal Emotion Entailment。我们在这篇论文中关注CEE子任务，该任务的目标旨在从对话历史中识别出非中性目标话语的原因话语。
在CEE任务中，主要存在两个挑战，第一就是要解决说话者之间的情绪动态性，而这需要通过复杂的对话上下文建模来理解话语间的深层语义关联；第二就是很难去准确地将候选话语与目标情绪联系起来，因为因果线索并不总是在上下文中明确提及，而应该基于推理来暗示，这就会导致候选和目标之间的一个推理差距。然而，Poria等人只是简单地将CEE作为一个话语对分类问题，这缺乏了充分的上下文建模和有效的情绪原因推理。为解决上述挑战，我们将常识知识引入到CEE中。
一方面，以事件为中心的常识知识，即反映了所发生在话语中事件之前或之后的事情，可以被看做语义级的桥梁来连接一个对话的发展以及增强相关话语之间的依赖，这样可以对上下文进行透彻的理解。如图1所示，话语#7中的事件（PersonA想要单独呆着）发生在事件（PersonA告诉PersonB离开，跟#1和#5相关）之后。
另一方面，根据（Moors and A.2013)，人类的感觉和行为倾向是情感的两个重要部分，并且为目标情绪的生成贡献了很多因果线索。为此，根据说话者的感觉和行为倾向所传递的因果线索，我们利用社会交互的CSK来作为情感级的桥梁，而行为级的桥梁来连接候选话语和目标话语。在图1中，#4中PersonB的的辩解和批评让PersonA感到生气，这与目标话语#7中的情感一致。进一步，#5的内容暗示了PersonA想要独自一人的行为倾向，它直接导致了#7中所表达的内容。

在这篇论文中，我们提出了知识桥接的因果交互网络（KBCIN）来有效进行对话上下文的建模和情绪原因推理。具体来说，我们将对话抽象成一个对话图来建模话语之间的依赖。然后，引入以事件为中心的CSKs包