【论文阅读】Emotion-Cause Pair Extraction: A New Task to Emotion Analysis in Texts (ACL 2019)

Mikito -

看论文的一大动力就是我要讲论文了。

Basic Information

  • Title: Emotion-Cause Pair Extraction: A New Task to Emotion Analysis in Texts
  • Authors: Rui Xia, Zixiang Ding            
  • Institution: Nanjing University of Science and Technology          
  • Conference/Journal: ACL 2019            
  • Cite: Xia R, Ding Z. Emotion-Cause Pair Extraction: A New Task to Emotion Analysis in Texts[J]. arXiv preprint arXiv:1906.01267, 2019.
  • Github: https://github.com/NUSTM/ECPE

Background

Emotion Cause Extraction是10年提出的一个问题，近几年由于哈工大的开源数据集的提出，所以相关的研究工作也有一些。一作夏睿是南理工的一个教授，一直做的情感分析方向，今天Cause这个方向他中了三篇：AAAI 2019，IJCAI 2019，ACL 2019。其中IJCAI的那篇是关注子句之间的关联性，提出了 一个层级的结构。

Task & Contributions

Emotion Cause Extraction任务通常是给定文本，并给出文本对应的情感，然后找到文本情感对应的cause子句。但这有两个问题：首先，这需要文本预先给定emotion的标注；另外，先标emotion再标cause，这将两个任务割裂开了，它们内在有一定的关联性，可以互相促进。所以针对这两个问题，提出了一个Emotion-Cause Pair Extraction的任务。这篇论文的贡献如下：

  1. 提出了一个新的任务。
  2. 针对新的任务提出了一个两阶段模型。
  3. 在哈工大的数据集的基础上构建了一个新的数据集。

Problem Definition

首先是新问题。问题的Motivation前面已经提到过了。根据图1，可以看到原来的方法是给定happy，在文档中抽取出子句2和3这两个cause，但Emotion-Cause Pair Extraction是给定一个文档，抽到这种（emotion子句，cause子句）对。

Method

针对这个问题，这篇论文提出了一个两阶段的方法，第一阶段就是分别提取出emotion子句和cause子句，第二阶段就是将得到的子句做笛卡儿积，再过滤，得到最终的集合。

Step 1

一个基础的multi-task的模型如图2所示。这其实是一个层级结构，就是先针对每个子句，用BiLSTM和attention得到子句的特征，这个部分是共享的。然后所有的子句特征再作为输入，输入到更高一级的BiLSTM中，得到表示作为该个子句的context-aware特征，并接一个softmax对该子句进行分类。这部分参数不同的task之间是不共享的，就是Multi-task模型中的task-specific的部分。而且针对这个输出的类别数量，这篇论文里面没有说，我去看了代码是2，其实就是一个是与否的判断。

这是基础的模型，在各个task之间其实没有很多的交互，所以做了进一步的扩展，如图3所示。这张图分为两部分：左边是用emtion extraction来辅助cause extraction，右边是反过来。其实这两个模型的下半部分和上面提到的模型是相同的，就在上层做了一个concat的操作进行信息的引入。这两个模型是相似的，就拿左边的举例。在得到这个子句的emotion label之后，将label信息与该个子句的表示concat，然后输入到BiLSTM中，得到cause对应的输出。至于这个emotion label信息，论文中是标签，实验中用的直接是softmax的结果，我有发邮件询问程序的作者（十分感谢他的真诚认真的回复），说这两种实验结果差别不大。

Step 2

在得到emotion子句和cause子句之后，做一个笛卡儿积，然后接一个逻辑回归模型进行过滤得到最终的结果。

Experiments

在实验部分，首先是在哈工大的基础上针对这个任务构建了一个新的数据集，但是只有1945条数据。

实验结果证明，在两个模型中互相引入信息是有效的。但是在emotion cause detection上还是比现在最好方法差一些，那个方法之前组会也说过，用到了emotion标注信息，去掉了就不好了。

Comments

看这篇论文一个是因为它是一个emotion cause和emotion detection的multi-task的问题。我觉得最大的 一个优势是这个问题是一个有价值的问题，之前我们也考虑过，但是最终没有做。模型还是比较简单，因为是同输入，所以可以使用concat作为信息的互相引入。