原文下载 提取码:n8lx
目录
1. 比赛介绍
2. 模型描述
3. 实验
1. 比赛介绍
SemEval2019Task3_ERC是2019年Semantic Evaluation的第三个任务，对话情感识别。
使用的数据集是EmoContext，该对话数据集为纯文本数据集，来自社交平台。分为训练集、验证集和测试集。其中训练集、验证集、测试集各包含30,160、2755和5509个对话，每个对话都包含三轮(2人对话数据集(Person1,Person2,Person1))，因此训练集、验证集、测试集各包含90,480、8265和16,527个子句(utterances)。
这个数据集存在严重的类别不均衡现象，和其他数据不均衡现象有所区别，它在训练集比较均衡，但在验证集和测试集中每一个情感类别数据大约占总体的<4%（符合实际情况，实际对话中大部分子句是不包含任何情感的），具体统计情况如下：
与一般的判断给定文本/句子情感的任务不同，该任务的的目标是，给定一个对话(3轮)，判断最后一轮/最后一个子句说话者所表达的情感，建模时需要利用对话的上下文(context)来判断最后一个子句的情感。
数据集的每个对话中，只有最后一个子句有情感标签，该数据集的情感标签分为三类：Happiness、Sadness、Anger还有一个附加的标签(others)。其中有5740个对话标签为Happiness，6816个对话标签为Sadness，6533个对话标签为Anger，剩余对话标签全为others。比赛采用的评估指标为：micro F1-score（只在三个情感类别Happiness、Sadness、Anger上计算micro F1-score，不包括others。本文所采用模型的最好结果是 0.6717）数据集样例如下图所示：
虽然这只是一个包含3轮对话且只有最后一轮对话有情感标签的数据集，但是可以把基于该数据集训练的模型，应用到更广泛的场景，如判断一个对话中任意一个子句的情感。假设该对话包含N个子句/N轮，若要判断第i个子句的情感，只需要把第i个子句连同第i-1,i-2个子句一同喂给训练好的模型，就可以判断第i个子句的情感了。其中i=1,...,N ,对话中每一个子句的情感就可以确定了(对 对话中前两个子句判断情感时，可以通过填充实现)。
2. 模型描述
- 数据预处理
数据集中的对话是非正式的社交媒体文本（英文），因此可以使用ekphrasis/nltk等工具对数据进行预处理，文本预处理流程包括：缩写展开、拼写检查、单词规范化、单词标注、分词、将表情符号替换为合适的关键词、去除停止词、词干提取等。
- turn-level encoder
把输入对话切分为3轮/3个子句，并行通过两个深度学习模型submodel1和submodel2.
submodel1:把三个子句的单词分别通过embedding层(可以使用预训练词向量、原文没有使用预训练)转换为词向量，使用三个CuDNNGRU（Keras中基于CuDNN的快速GRU实现，可以认为就是一个GRU）对三个子句分别进行编码，把三个GRU的编码结果进行拼接，在通过一个全局最大池化层，再通过两个全连接层(50单元，ReLU)，得到submodel1的输出。
submodel2:把三个子句的单词分别通过embedding层(可以使用预训练词向量、原文没有使用预训练)转换为词向量，使用三个CNN对三个子句分别进行编码，把三个CNN的编码结果进行全局最大池化，最池化结果再进行拼接，再通过两个全连接层(100单元，Sigmoid)，得到submodel2的输出。
- dialogue-level encoder
submodel3:将输入对话看作一个整体来提取特征，首先使用TF-IDF对 对话提取语义特征，再把结果通过全连接层；然后使用SenticNet对每个词检索情感标签，然后把该词替换为检索到的情感标签，对于检索不到情感标签的词直接从对话中删除，然后对 替换完情感标签的对话，使用TF-IDF提取（情感标签）特征，把结果通过全连接层；最后把两个全连接层的结果进行拼接，再通过两个全连接层(50单元，ReLU)，得到submodel3的输出。
- emotion classification
把三个submodel 的输出拼接在一起（把手工特征TF-IDF和自动提取的特征混合），再通过两个全连接层(50单元，ReLU)，再通过输出层进行分类。
3. 实验
