Goal
Emotion cause extraction (ECE) 最原始的資料及論文來源其實在Event-Driven Emotion Cause Extraction with Corpus Construction這篇論文所提出的。
資料長相如下圖：
原始目標 (過去本資料集相關論文的目標)：
- 給定emotion, 找出此emotion的cause (甚麼原因導致這個emotion)
本論文目標：
- 給一段落，找出數個pair的(emotion, cause)，意即沒有預先給定型emotion的資訊。本文稱此task叫做ECPE。
- 本目標也為此論文主打優點，畢竟可以不用”提供模型emotion”資訊，這在實際問題的應用上是非常重要的。
模型架構
他的模型主要分為兩個階段。
第一階段為”抽取emotion, cause”兩者的資訊，而第二階段為”將這些資訊組合及過濾”。
第一階段 - 抽取資訊
我們先來看第一階段”抽取資訊”的模型架構，本文提出共三種架構：
- 第一種架構稱為”Indep”,想法很直觀，即將emotion, cuase分為兩個分支而成的模型，如下圖：
- 計算y及loss
- 另外兩種架構基本上是一樣的，只是他的”前提”不一樣，如下圖：
第二階段 - 組合與過濾
- 先將emotion, cause找出目前為候選人的短句兩兩配對組成P_all
- 每一組兩兩配對的組合，我們可以計算它的embedding s以及兩兩之間的距離
- 最後經由簡單的regression，得到此組合是否應該刪除或留下
- 剩餘的pairs即為最終的模型結果
upper bound
對於Inter-CE, Inter-EC，其實有他的upper bound，也就是萃取的y直接換成ground truth。換句話說，在知道cause 的前提下預測emotion；或者相反。
Experimental results
針對本篇論文提出的方法所整理的結果，其研究指出，”cause extraction”比起emotion困難許多，因此在已經給予cause的ground truth，emotion extraction的效果自然比較好；反之，則效果較差。另外，缺少ground truth前提的Inter-CE, Inter-EC表現自然也比bound系列差許多：
與其他方法的比較：
(話說這裡我有個疑問，其他人都是給予”emotion”的前提，去預測”cause”，作者既然都做了Inter-EC-bound，怎麼不把它也拿進來比一下呢?)