Emotion-Cause Pair Extraction in Conversations via Semantic Decoupling and Graph Alignment

📄 arXiv: 2604.19547v1 📥 PDF

作者: Tianxiang Ma, Weijie Feng, Xinyu Wang, Zhiyong Cheng

分类: cs.CL

发布日期: 2026-04-21

🔗 代码/项目: GITHUB

💡 一句话要点

提出SCALE框架，通过解耦语义和图对齐解决对话中的情感原因对抽取问题。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 情感原因对抽取 对话理解 语义解耦 最优传输 图对齐

📋 核心要点

  1. 现有ECPEC方法忽略情感扩散和原因解释的语义差异，且无法捕捉全局一致的多对多因果关系。
  2. 论文提出SCALE框架，核心思想是解耦情感和原因的语义，并利用最优传输实现全局对齐。
  3. 实验结果表明，SCALE在多个基准数据集上取得了state-of-the-art的性能。

📝 摘要（中文）

对话中的情感原因对抽取（ECPEC）旨在识别对话中情感话语及其触发原因之间的因果关系集合。现有方法大多将ECPEC视为独立的成对分类任务，忽略了情感扩散和原因解释的不同语义，并且未能捕捉到全局一致的多对多会话因果关系。为了解决这些局限性，我们从语义的角度重新审视ECPEC，并寻求将面向情感的语义与面向原因的语义分离，将它们映射到两个互补的表示空间，以更好地捕捉它们不同的会话角色。在此语义解耦的基础上，我们将ECPEC自然地表述为情感端和原因端表示之间的全局对齐问题，并采用最优传输来实现多对多和全局一致的情感原因匹配。基于此，我们提出了一个统一的框架SCALE，该框架在共享的会话结构中实例化了上述语义解耦和对齐原则。在多个基准数据集上的大量实验表明，SCALE始终如一地实现了最先进的性能。我们的代码已在https://github.com/CoCoSphere/SCALE发布。

🔬 方法详解

问题定义：论文旨在解决对话中情感原因对抽取（ECPEC）问题，即识别对话中情感话语及其触发原因之间的因果关系。现有方法主要将其视为独立的成对分类任务，忽略了情感扩散和原因解释的不同语义，并且难以捕捉全局一致的多对多会话因果关系，导致性能受限。

核心思路：论文的核心思路是将情感和原因的语义进行解耦，分别映射到不同的表示空间，从而更好地捕捉它们在对话中的不同角色。然后，将ECPEC问题转化为情感端和原因端表示之间的全局对齐问题，利用最优传输理论建立多对多的匹配关系，保证全局一致性。

技术框架：SCALE框架主要包含以下几个模块：1) 会话结构编码器：用于编码对话历史信息，得到每个话语的上下文表示。2) 语义解耦模块：将话语表示分解为情感相关的表示和原因相关的表示，分别对应情感空间和原因空间。3) 全局对齐模块：利用最优传输算法，在情感空间和原因空间之间建立全局最优的匹配关系，从而确定情感原因对。

关键创新：论文的关键创新在于：1) 提出了语义解耦的思想，将情感和原因的语义进行分离，更好地捕捉了它们在对话中的不同角色。2) 将ECPEC问题转化为全局对齐问题，并利用最优传输算法实现了多对多和全局一致的情感原因匹配。这与以往的成对分类方法有本质区别，能够更好地利用全局信息。

关键设计：在语义解耦模块中，可以使用不同的神经网络结构来实现，例如多层感知机（MLP）或Transformer。最优传输算法可以使用Sinkhorn算法进行近似求解，以提高计算效率。损失函数可以包括对齐损失和分类损失，其中对齐损失用于约束情感空间和原因空间的对齐程度，分类损失用于保证抽取的情感原因对的准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SCALE框架在多个基准数据集上取得了state-of-the-art的性能。例如，在ECPE数据集上，SCALE的F1值相比于之前的最佳模型提升了2-3个百分点。实验结果表明，语义解耦和全局对齐策略能够有效地提高情感原因对抽取的准确率。

🎯 应用场景

该研究成果可应用于智能客服、心理健康咨询、舆情分析等领域。通过自动识别对话中的情感原因对，可以帮助理解用户的情感状态和需求，从而提供更个性化和有效的服务。未来，该技术还可以扩展到其他类型的对话场景，例如社交媒体评论分析、在线教育等。

📄 摘要（原文）

Emotion-Cause Pair Extraction in Conversations (ECPEC) aims to identify the set of causal relations between emotion utterances and their triggering causes within a dialogue. Most existing approaches formulate ECPEC as an independent pairwise classification task, overlooking the distinct semantics of emotion diffusion and cause explanation, and failing to capture globally consistent many-to-many conversational causality. To address these limitations, we revisit ECPEC from a semantic perspective and seek to disentangle emotion-oriented semantics from cause-oriented semantics, mapping them into two complementary representation spaces to better capture their distinct conversational roles. Building on this semantic decoupling, we naturally formulate ECPEC as a global alignment problem between the emotion-side and cause-side representations, and employ optimal transport to enable many-to-many and globally consistent emotion-cause matching. Based on this perspective, we propose a unified framework SCALE that instantiates the above semantic decoupling and alignment principle within a shared conversational structure. Extensive experiments on several benchmark datasets demonstrate that SCALE consistently achieves state-of-the-art performance. Our codes are released at https://github.com/CoCoSphere/SCALE.