Transition-based Directed Graph

Transition-based Directed Graph Construction for Emotion-Cause Pair Extraction

• 代码：https://github.com/HLT-HITSZ/TransECPE
• paper：https://aclanthology.org/2020.acl-main.342.pdf

基础介绍

• 本文工作：将ECPE问题转为一个有向图构建的过程
• 本文贡献：
  1. 将端到端转为有向图构建
  2. 联合学习框架，线性复杂度
  3. 新sota
• 任务定义：与上面内容相同

方案方法

1. 构建有向图
2. 特征表示

构建

令为有标签有向图（edge-labeled directed graph），其中，

• ：节点集合，输入文本的子句
• ：set of labeled edges

在head node 和modifier node 构建关系：，其中，其中，

• 表示：node i是emotion node j的原因(cause)
• 表示：node i不是emotion node j的原因

是故，

• 在最终结果中，一个节点可以没有任何边
• 一个节点可以同时作为emotion node和cause node
• 一个emotion node可以同时与多个cause node产生关系

至此，提出构建图的方法： a novel transition-based parser

parser由S表示，，其中，

• ：已处理节点的索引
• ：未处理节点的索引
• E：set of emotions
• C：set of causes
• R：存储当前已生成的边

action List A

论文定义了六种action（来源于观察经验）：

image.png

其中，表示stack、buffer、action的元素索引。例如stack的top2个元素可以表示为：

具体来描述即：

• : pop 并将其压入顶；当且仅当非空
• : 从到 分配一个标签为的边，即：，然后将 复制到E，并从 pop出到C
• : 从到 分配一个标签为的边，即：，然后将 复制到E，并从 pop出到C
• : 从到 添加一个标签为的关系，即：；然后从 pop出、仅复制到E
• : 表示从到的关系；复制到E；注：由于可能是中入栈节点的原因，移动到顶 好于pop
• : 对节点分配一个标签；复制到E、C

一些约束：

• RIGHT-*、LEFT-*，必须在至少有两个元素时
• 当都是emotion但是没有emotion cause时，将倾向于
• CYCLE-ARC容易产生冲突，因此与其它action不同，（对此）训练一个基于表示的二分类模型

此处给出一个例子，从初始的到最终的], [], E, C, R)$，有文本：

image.png

可以有以下推导过程：

image.png

Search Algorithm

对于本任务，可以定义：

• input：
• output:

因此，可以表示为对子句寻找合适的action序列：

对于t时刻，模型的预测与当前的system state 和action history 有关，是故：

image.png

其中是t时刻生成的action，是根据更新的system state。

令表示t时刻的计算action 的表示，有：

image.png

其中，表示在给定当前parser state下合法的action，最终有：

image.png