WYODRĘBNIANIE PAR EMOCJA-PRZYCZYNA: METODOLOGIA OPARTA NA BiLSTM

Emocje mają fundamentalne znaczenie dla interakcji międzyludzkich, ściśle wpływając na komunikację, zachowanie i percepcję. Wyodrębnianie par emocja-przyczyna (ECPE) jest krytycznym zadaniem w przetwarzaniu języka naturalnego, które identyfikuje pary klauzul kojarzące emocje z odpowiadającymi im wyzwalaczami w dokumentach tekstowych. W przeciwieństwie do tradycyjnego wyodrębniania przyczyn emocji (ECE), które opiera się na wstępnie przypisanych klauzulach emocji, proponowane rozwiązanie wprowadza nowatorski kompleksowy model ECPE. To innowacyjne podejście wykorzystuje obszerny anglojęzyczny zbiór NTCIR-13 do ustanowienia solidnej podstawy dla ECPE w języku angielskim, wykazując znaczną poprawę wydajności w porównaniu z konwencjonalnymi metodami wieloetapowymi. Centralnym elementem modelu jest włączenie dwukierunkowych sieci pamięci długotrwałej (BiLSTM), co zwiększa zdolność do wychwytywania zarówno lokalnych, jak i globalnych zależności w sekwencjach tekstowych. Skutecznie łącząc osadzanie kontekstowe i pozycyjne, nasz model dokładnie przewiduje relacje emocji i przyczyn, torując drogę do głębszego zrozumienia dynamiki emocjonalnej w kontekstach konwersacyjnych i ułatwiając wnioskowanie przyczynowe. Co więcej, nasze badania podkreślają doskonałe wskaźniki wydajności, dostosowując ich skuteczność do najnowocześniejszych technik w tej dziedzinie. Badanie to rozwija rozpoznawanie emocji w przetwarzaniu języka naturalnego, dostarczając cennych spostrzeżeń dla zniuansowanych analiz ludzkich emocji w danych tekstowych. Ponadto nasze odkrycia zwiększają zrozumienie inteligencji emocjonalnej w modelowaniu interakcji użytkownika i konwersacyjnych aplikacjach AI. Poprzez publiczną dostępność naszego zbioru danych i modelu, dążymy do wspierania współpracy i dalszych badań w tym istotnym obszarze, ostatecznie poprawiając zdolność rozumienia emocji w zastosowaniach, od analizy nastrojów po interaktywne uczenie się.