摘要

情绪原因分析（Emotion Cause Analysis, ECA）旨在提取情绪表达片段，并识别其对应的原因。现有方法通常采用微调（fine-tuning）范式来解决特定类型的ECA任务，然而这些任务特定的方法普遍存在通用性不足的问题，且未能显式建模单个任务中多个目标之间的关联关系。此外，大多数现有方法引入的相对位置信息可能导致模型受到数据集偏差的影响。针对前两个问题，本文提出一种通用的提示调优（prompt tuning）方法，能够在统一框架下解决多种ECA任务；针对第三个问题，本文设计了方向性约束模块与顺序学习模块，以缓解数据偏差带来的负面影响。考虑到不同任务之间的共性，本文进一步提出了跨任务训练策略，以充分挖掘模型的潜在能力。实验结果表明，所提出的方法在多个ECA数据集上均取得了具有竞争力的性能。