摘要

在对话情感识别（Emotion Recognition in Conversations, ERC）任务中，提取具有泛化性和鲁棒性的表示是主要挑战之一。为应对这一问题，本文提出一种监督式对抗对比学习（Supervised Adversarial Contrastive Learning, SACL）框架，旨在以监督方式学习具有类别分布结构的表示。SACL采用感知对比的对抗训练策略生成最坏情况样本，并结合联合类别分布对比学习机制，以提取结构化特征。该方法能够有效利用标签级别的特征一致性，同时保留类内细粒度特征。为避免对抗扰动对上下文依赖性数据带来的负面影响，我们进一步设计了一种上下文感知对抗训练（Contextual Adversarial Training, CAT）策略，以从上下文中学习更丰富的特征，提升模型对上下文变化的鲁棒性。在引入CAT机制的框架下，我们构建了一种基于序列的SACL-LSTM模型，用于学习标签一致且上下文鲁棒的特征表示，以应对ERC任务。在三个公开数据集上的实验结果表明，SACL-LSTM在ERC任务中达到了当前最优性能。扩展实验进一步验证了SACL与CAT策略的有效性。