nicolay-r 参加 SemEval-2024 任务 3：在情绪状态的对话中使用 Flan-T5 进行情绪推理原因的链式思维
内容提要
该研究探讨了对话中情感原因的识别，提出了多个基于神经网络的模型和数据集，旨在提高情感分析的准确性。通过多任务学习和因果推断方法，研究在情感原因提取和情感识别方面取得了显著进展，F1值显著提升。
延伸解读
任务背景与子任务定义
文章围绕对话中的情感原因识别展开，将其定义为两个子任务，并提供了基于Transformer的数据集和基线技术。这为后续研究提供了统一的评估框架，有助于比较不同模型在情感原因提取和情感识别上的表现。
多模态与多任务方法进展
研究提出了MELD-I数据集和TGIF神经架构，通过捕捉对话背景、讲话者动态和情感序列，F1值比五个基准提高了4-12%。MuTEC模型采用多任务学习框架，同时进行情感原因跨度提取和因果语句判定，表现优于现有基线。多模态方法结合文本、音频和视觉模态，并引入CRF层建模相邻话语依赖，在官方排行榜上排名第8，F1得分为0.1759。
推理与因果推断创新
Three-hop Reasoning CoT Framework模拟人类推理过程，利用多步提示逐步诱导潜在方面、意见和情感极性，在监督设置中F1值超过state-of-the-art 6%，零样本下THOR+GPT3将F1值提高了50%。CACD因果推断方法通过设计公共骨架和生成替代隐含因素，在六个情感相关数据集上优于SOTA基准。RTHN框架联合抽取情感原因，在12种系统中实现最佳表现，将F1分数从72.69%提升到76.77%。
知识增强与常识融合
研究通过深度记忆网络和卷积神经网络将情感诱因提取作为阅读理解任务，F-measure比多个基准线高3.01%。结合常识模型和多任务学习的方法在情感识别和情感原因标记方面取得显著成效。知识增强会话图（KEC）通过引入情感信息和社会常识知识，增强了会话因果推断，实验证明能更好地从目标言语中推断不同情感的原因。
Q&A
这项研究的主要目标是什么？
该研究旨在提高对话中情感原因的识别准确性，提出多个基于神经网络的模型和数据集。
研究中使用了哪些新颖的模型和数据集？
研究提出了数据集 MELD-I 和神经架构 TGIF，以及情感预测模型 MuTEC。
F1 值的提升有多显著？
F1 值在多个任务中提高了 4-12%，并在某些模型中从 72.69% 提升到 76.77%。
Three-hop Reasoning CoT Framework 是什么？
这是一个模拟人类推理过程的框架，用于隐含情感分析，F1 值超过了 6% 的 state-of-the-art。
如何解决多模态情绪原因分析任务？
通过对话中多个模态的独立话语，结合不同编码器和 CRF 层来建模相邻话语的依赖关系。
研究中提到的因果推断方法 CACD 有何优势？
CACD 方法在情感相关领域的六个数据集上表现优于现有的 SOTA 基准。
