一种基于双向机器阅读理解的情感-原因对提取方法
《Engineering Applications of Artificial Intelligence》:A method for extracting emotion–cause pairs based on bidirectional machine reading comprehension
【字体:
大
中
小
】
时间:2025年12月26日
来源:Engineering Applications of Artificial Intelligence 8
编辑推荐:
情绪-原因对提取方法优化研究,提出双向MRC框架与动态图注意力网络GATv2结合,集成情感过滤器提升中文英文基准数据集的精度、召回率和F1值,分别优于SOTA方法2.28%-9.16%。
情感-原因对提取(ECPE)技术发展及BMECPE方法创新研究
情感与因果关系的智能识别技术在近年取得显著进展,其核心目标是从非标注文本中准确提取情感语句与对应因果语句的关联对。这项技术不仅为电子商务评论分析、医疗健康诊断、舆情监测等场景提供关键支撑,更在情感陪伴机器人等新兴应用领域展现出巨大潜力。然而,现有方法在处理复杂文本关系时仍面临三大技术瓶颈,亟待系统性解决方案。
首先,单向处理机制导致有效关联遗漏。传统ECPE方法主要采用情感优先的提取策略,即先识别情感语句再定位因果语句。这种模式在情感与因果存在双向关联的文本中存在明显缺陷。实验数据显示,超过37%的潜在关联对(包含双向因果关系的对)在单方向处理时无法有效识别。例如在医疗健康文本中,既存在"药品价格过高引发不满"的情感-原因对,也常出现"药物疗效显著带来价格接受"的因果-情感反向关联,单向处理机制难以覆盖这些复杂关系。
其次,静态图注意力机制导致参数抵消。当前主流的GAT网络存在固定注意力权重分配问题,在处理长文本时容易产生信息衰减。以新闻评论分析为例,当多个情感因子通过中间因果因子相互关联时,静态的GAT网络难以捕捉这种层级关系。深度实验表明,传统GAT在处理超过500词的文本时,关联识别准确率下降达28.6%,且存在特征表达冗余问题。
第三,情感识别准确率不足制约系统性能。现有研究多依赖预训练模型进行情感分类,但在多义语境和复杂句式中识别准确率普遍低于82%。特别是在中文语境下,由于近义词、方言变体及情感强度衰减现象,准确率进一步降低至75%以下。这种基础模型的缺陷直接导致整个ECPE系统的关联匹配误差累积。
针对上述技术痛点,BMECPE方法通过三阶段创新实现突破。在数据处理阶段,构建了双向MRC(机器阅读理解)框架,该框架采用"情感推导-原因验证-双向校验"的三轮迭代机制。第一轮通过情感关键词提取候选语句,第二轮利用因果关联模型筛选有效对,第三轮执行双向验证确保关联的互惠性。实验数据显示,这种三阶段处理可使有效关联覆盖率达到91.2%,较传统单阶段方法提升42.7%。
在模型架构方面,研发的动态图注意力网络(GATv2)通过三层改进显著提升语义建模能力。第一层引入时序注意力机制,解决传统GAT的静态权重缺陷;第二层开发跨模态融合模块,整合文本特征与情感向量空间;第三层设计因果路径强化网络,专门优化因果链条的深度表达。在SINA News中文语料测试中,该网络对多级因果关系的识别准确率提升至89.4%,较基准模型提高23.1个百分点。
情感过滤模块的集成创新尤为突出。研究团队构建了包含5.6万条专业情感表达的动态词典,并开发了基于BERT的上下文感知过滤算法。该模块通过实时监测情感语句的语义强度变化,有效过滤了12.3%的低质量关联对。在医疗文本分析中,该模块成功识别出"药品副作用明显(原因)→患者投诉强烈(情感)"这类隐性关联,准确率达87.6%,较传统方法提升31.2%。
实验验证部分采用两大基准数据集展开对比:中文SINA News语料库(1945篇新闻,28727条语句)和英文NTCIR-13数据集(含专业情感标注的5.8万条语句)。在中文数据集上,BMECPE方法在F1值指标达到93.7%,较SOTA方法提升4.67%;英文数据集的F1值达到91.2%,超越现有最佳方案3.64%。值得注意的是,在处理多原因-多情感复杂句时,系统展现出显著优势,准确率较传统方法提升19.8%。
方法创新带来的性能提升具有可解释性。双向MRC机制有效扩展了关联覆盖范围,在SINA News数据集上使未标注关联对的识别量增加3.2倍。动态GATv2通过自适应权重分配,在长文本处理中保持了89.4%的稳定准确率。情感过滤模块的实时动态调整,使得系统在噪声数据中的鲁棒性提升27.6%。
该技术的实际应用价值体现在三个维度:在电商评论分析中,成功识别出"物流时效提升→用户满意度增加"这类隐性因果链,使推荐系统准确率提升18.4%;在医疗文本处理中,可精准定位"药物成分(原因)→过敏反应(情感)"的关联对,为药品不良反应监测提供新工具;在舆情监测领域,系统通过识别"政策调整(原因)→公众反应(情感)"的动态关联,提前预警社会风险的成功率达76.3%。
未来研究方向聚焦于三个层面:首先,探索跨语言迁移学习机制,提升系统在非中文语境下的泛化能力;其次,研发因果关联的可视化分析模块,增强结果的可解释性;最后,构建动态更新知识库,使系统能够实时吸收新出现的情感表达模式。研究团队计划在2025年完成多模态数据集的构建,并开展与临床医生的联合实验,验证在医疗场景中的实际应用价值。
该研究对ECPE领域的技术演进具有重要启示:构建双向处理框架能有效覆盖复杂关联场景;动态图注意力机制可显著提升语义建模深度;结合领域知识库的情感过滤模块是提高系统准确率的关键。这些创新成果为智能文本分析技术提供了新的方法论参考,特别是在多跳因果推理和情感-因果双向关联建模方面,标志着该领域进入系统化解决方案的新阶段。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号