摘要

对话中的情感识别（Emotion Recognition in Conversation, ERC）旨在为每一句对话内容标注相应的情感类别。受近期研究启发——这些研究表明，以有意义的顺序输入训练样本，而非随机处理，能够有效提升模型性能，本文提出一种面向ERC任务的混合式课程学习框架。该框架包含两个层级的课程设计：（1）对话级课程（Conversation-level Curriculum, CC）；（2）话语级课程（Utterance-level Curriculum, UC）。在CC中，我们基于对话内部“情感跃迁”（emotion shift）的频率构建难度度量指标，并依据该指标返回的难度分数，将对话按“由易到难”的顺序进行调度。在UC中，课程设计从情感相似性的角度出发，逐步增强模型对易混淆情感类别的识别能力。所提出的模型无关型混合课程学习策略，在多种现有ERC模型上均取得了显著的性能提升，并在四个公开的ERC数据集上实现了新的最先进（state-of-the-art）水平。