ECR-Chain: Advancing Generative Language Models to Better Emotion-Cause Reasoners through Reasoning Chains

📄 arXiv: 2405.10860v2 📥 PDF

作者: Zhaopei Huang, Jinming Zhao, Qin Jin

分类: cs.CL

发布日期: 2024-05-17 (更新: 2024-05-21)

备注: Accepted by IJCAI 2024

🔗 代码/项目: GITHUB

💡 一句话要点

提出ECR-Chain，通过推理链提升生成式语言模型的情感原因推理能力

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 情感原因推理 因果情感蕴含 生成式语言模型 推理链 认知评估理论

📋 核心要点

  1. 现有因果情感蕴含(CEE)方法侧重语义和情感交互建模，忽略了情感生成过程，导致模型难以深入理解情感。
  2. 提出情感原因推理链(ECR-Chain)，模拟“刺激-评估-情感”过程，从情感表达反推刺激，提升模型推理能力。
  3. 通过少量样本提示ChatGPT，显著提升CEE性能；构建ECR-Chain集，增强小模型推理能力，Vicuna-7B达到SOTA。

📝 摘要（中文）

理解情感产生的过程对于分析情感背后的原因至关重要。因果情感蕴含(CEE)是一项情感理解任务，旨在识别对话中刺激目标话语中表达的情感的因果话语。然而，当前CEE的研究主要集中于对话中语义和情感交互建模，忽略了情感生成过程的探索。这阻碍了模型对情感的深入理解，限制了其产生可解释预测的能力。受认知评估理论中“刺激-评估-情感”情感生成过程的启发，我们引入了一种逐步推理方法，即情感原因推理链(ECR-Chain)，以从对话中的目标情感表达中推断刺激。具体来说，我们首先通过少量样本提示将ECR-Chain引入ChatGPT，这显著提高了其在CEE任务上的性能。我们进一步提出了一个自动构建过程，利用ChatGPT构建ECR-Chain集，可以通过监督训练增强较小模型的推理能力，并帮助Vicuna-7B模型实现最先进的CEE性能。此外，我们的方法能够使这些生成式语言模型以可解释的方式有效地执行情感原因推理。我们的代码、数据和更多细节可在https://github.com/hzp3517/ECR-Chain获取。

🔬 方法详解

问题定义：论文旨在解决因果情感蕴含(CEE)任务中，现有方法缺乏对情感生成过程建模的问题。现有方法主要关注对话中的语义和情感交互，忽略了情感产生的内在机制，导致模型难以进行深入的情感理解和可解释的预测。

核心思路：论文的核心思路是借鉴认知评估理论中的“刺激-评估-情感”模型，构建一个情感原因推理链(ECR-Chain)。通过模拟情感生成的逐步过程，从目标情感表达出发，反向推理出导致该情感产生的刺激。这种方法旨在使模型能够更好地理解情感的内在原因，从而提高CEE任务的性能。

技术框架：整体框架包含两个主要阶段：1) 使用少量样本提示ChatGPT，使其生成ECR-Chain，用于指导模型进行情感原因推理。2) 构建一个自动化的ECR-Chain构建过程，利用ChatGPT生成大量的ECR-Chain数据，用于训练较小的模型，并提升大型模型的性能。该框架利用生成式语言模型强大的推理能力，结合情感生成过程的先验知识，实现更有效的情感原因推理。

关键创新：论文的关键创新在于提出了ECR-Chain的概念，并将其应用于CEE任务。与以往方法不同，ECR-Chain显式地建模了情感生成的过程，使得模型能够以一种可解释的方式进行情感原因推理。此外，论文还提出了一个自动化的ECR-Chain构建过程，可以高效地生成大量的训练数据，从而提升模型的性能。

关键设计：论文的关键设计包括：1) 使用少量样本提示ChatGPT，设计合适的提示语，引导ChatGPT生成高质量的ECR-Chain。2) 设计自动化的ECR-Chain构建过程，包括数据清洗、过滤和验证等步骤，确保生成的数据质量。3) 使用监督学习方法，利用生成的ECR-Chain数据训练较小的模型，并使用ECR-Chain辅助大型模型进行推理。

📊 实验亮点

实验结果表明，通过少量样本提示ChatGPT，ECR-Chain显著提高了CEE任务的性能。使用ECR-Chain集训练的小模型也取得了显著的性能提升。此外，ECR-Chain辅助Vicuna-7B模型在CEE任务上达到了最先进的(SOTA)性能，证明了该方法的有效性。具体性能数据未知，但论文强调了显著的性能提升。

🎯 应用场景

该研究成果可应用于情感对话系统、心理健康咨询、舆情分析等领域。通过理解对话中情感产生的原因，可以使对话系统更具同理心，为用户提供更个性化的服务。在心理健康咨询中，可以帮助咨询师更好地理解患者的情感状态，从而提供更有效的治疗方案。在舆情分析中，可以更准确地识别和分析公众的情绪，为政府和企业提供决策支持。

📄 摘要（原文）

Understanding the process of emotion generation is crucial for analyzing the causes behind emotions. Causal Emotion Entailment (CEE), an emotion-understanding task, aims to identify the causal utterances in a conversation that stimulate the emotions expressed in a target utterance. However, current works in CEE mainly focus on modeling semantic and emotional interactions in conversations, neglecting the exploration of the emotion-generation process. This hinders the models from deeply understanding emotions, restricting their ability to produce explainable predictions. In this work, inspired by the emotion generation process of "stimulus-appraisal-emotion" in the cognitive appraisal theory, we introduce a step-by-step reasoning method, Emotion-Cause Reasoning Chain (ECR-Chain), to infer the stimulus from the target emotional expressions in conversations. Specifically, we first introduce the ECR-Chain to ChatGPT via few-shot prompting, which significantly improves its performance on the CEE task. We further propose an automated construction process to utilize ChatGPT in building an ECR-Chain set, which can enhance the reasoning abilities of smaller models through supervised training and assist the Vicuna-7B model in achieving state-of-the-art CEE performance. Moreover, our methods can enable these generative language models to effectively perform emotion-cause reasoning in an explainable manner. Our code, data and more details are at https://github.com/hzp3517/ECR-Chain.