arXiv cs.CL· Sangpil Youm, Annabel Stocks Natalias, Hayden Heninger, Leah Jones, Xiaoyang Jin, Xiaoya Zhang, Bonnie Dorr·· 6 天前AI 评分22
REFLECT：角色感知的 SEPF 检测框架，用语义角色增强 Transformer 自注意力
REFLECT: Role-Aware Detection of Sentiment, Emotion, Politeness, and Formality
AI 导读
REFLECT 提出一种角色感知 Transformer 架构，将情感、情绪、礼貌与正式度四个维度映射到语义角色标注（SRL）配置，并直接融入自注意力机制。在四个基准数据集上，该框架在情绪、礼貌和正式度检测上相较 BERT 基线取得统计显著提升，情感提升则不显著。真实世界心理健康数据上的评估显示，该方法同时改善了预测性能与模型可追溯性。
正文 · AI 翻译
摘要：检测对话中的交际含义，不仅需要对词汇内容建模，还需要对参与者角色结构建模，情感、情绪、礼貌和正式程度（SEPF）正是通过这种角色结构来表达的。现有方法依赖上下文语言表示，却将语义角色留作隐式信息。我们引入一种角色感知的 Transformer 架构，将四个 SEPF 维度映射到有理论基础的语义角色标注（SRL）配置，并将这些配置直接纳入 Transformer 的自注意力机制。角色感知注意力对非方向性的内部状态（情感和情绪）建模，而方向性角色感知注意力则捕捉外部线索（礼貌和正式程度）中发起者到接收者的关系。由此得到的角色感知表示通过一个学习到的门控与上下文嵌入融合，该门控自适应地权衡每个输入贡献多少角色信息，而不是将语义角色作为辅助特征向量附加。在四个基准数据集上，该框架在情绪、礼貌和正式程度上相较强大的 BERT 基线取得了统计上可靠的提升，且提升集中在理论预测的情形，如低频、复杂情绪和高度礼貌的表达；情感方面的提升则很小且不显著，表明情感更多通过词汇选择而非参与者角色结构来传达。在真实世界数据上的额外评估表明，该框架同时提升了预测性能和模型可追溯性。这些结果表明，对 Transformer 自注意力进行有语言学依据的修改，能够改进对交际含义的检测，可超越基准数据集泛化到真实世界心理健康数据，并产生可追溯、以角色为依据的解释，从而将价值从预测性能扩展到可解释性。
| 评论： | 9 页，2 幅图 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.13797 [cs.CL] |
| （或 arXiv:2610.13797v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13797 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Sangpil Youm [查看电子邮件]
[v1]
2026 年 10 月 9 日星期五 16:10:25 UTC（2,172 KB）
来源：arXiv cs.CL · arxiv.org