RolEmo：一种基于角色感知和常识增强的对比学习框架，用于情感分类 作者：Muhammad Abulaish 和 Anjali Bhardwaj

《Machine Learning and Knowledge Extraction》：RolEmo: A Role-Aware Commonsense-Augmented Contrastive Learning Framework for Emotion Classification Muhammad Abulaish and Anjali Bhardwaj

针对现有情绪分类方法未充分考虑语义角色的问题，本文提出RolEmo框架，通过角色掩码分析各角色贡献，结合常识知识增强文本表示，并采用监督对比学习优化嵌入空间。实验表明， RolEmo在三个数据集上显著优于基线，触发和刺激角色贡献最大，经历者和目标角色效果较稳定，验证了结构化语义建模和常识推理对提升情绪理解的重要性

　　

摘要

情感分类是情感计算中的一个基本任务，其在人机交互、心理健康监测和社交媒体分析等领域有着广泛的应用。尽管大多数现有方法将其视为一个简单的分类问题，但情感表达本质上是有结构的，并且基于诸如情感线索、刺激、体验者和目标等语义角色。然而，这些角色对情感推断的相对贡献尚未得到系统的研究。与以往的模型不同，我们提出了RolEmo，这是一个具有角色意识的情感分类框架，它明确地融入了语义角色信息。该框架采用了一种受控的角色掩蔽策略来分析各个角色的贡献，通过添加外部常识知识来增强文本表示，以捕捉隐含的情感背景，并应用监督对比学习来构建嵌入空间，使情感相似的实例更接近，同时将对立的实例分开。我们在三个标注了语义角色的基准数据集上评估了RolEmo的性能。实验结果表明，RolEmo在三个数据集上的表现均优于最强的基线模型，提升幅度高达164%、258%和232%。在全文、仅角色和无角色设置中，RolEmo的表现均优于基线模型。进一步分析表明，线索和刺激角色为情感分类提供了最可靠的信号，移除这些角色会导致性能下降，降幅高达62%（以宏观F1分数衡量）。而体验者和目标角色的影响则更加不稳定。这些发现强调了结构化语义建模和常识推理对于实现鲁棒且可解释的情感理解的重要性。