End-to-end emotion-cause pair extraction

Extração completa de pares emoção-causa
dc.commentsEE/2026/2348
dc.contributor.advisorGomes, Tiago Manuel Ribeiro
dc.contributor.advisorTavares, Adriano
dc.contributor.advisorXu, Hao
dc.contributor.authorGu, Xue
dc.date.accessioned2026-07-07T10:01:29Z
dc.date.embargo2028-05-05
dc.date.issued2026-05-05
dc.date.submitted2026-05
dc.description.abstractA Extração de Pares Emoção-Causa (ECPE) visa identificar orações emocionais e as suas correspondentes orações causais em textos ao nível do documento, formando pares explícitos de emoção-causa. Apesar dos progressos recentes, as abordagens existentes ainda enfrentam desafios importantes: (1) padrões estruturais diversos entre emoções e causas dificultam a modelação eficaz de dependências de longo alcance; (2) a falta de colaboração hierárquica e semântica entre a identificação de emoções e causas reduz a coerência lógica e a interpretabilidade; (3) os métodos generativos produzem frequentemente resultados estruturalmente inconsistentes ou semanticamente imprecisos; e (4) a maioria dos modelos apresenta péssima capacidade generalização entre domínios ou em cenários de poucos recursos, limitando a sua robustez em aplicações do mundo real. Para abordar estes desafios, esta tese realiza um estudo sistemático e completo da ECPE através de quatro abordagens complementares. (1) Propõe-se uma mistura de “especialistas” conhecedores da posição relativa e com aprendizagem multitarefa para a extração de pares emoção-causa, que integra dependências sintáticas, papéis semânticos e relações entre frases para captar de forma adaptativa diversas estruturas de emoção-causa. (2) É desenvolvida uma cadeia de raciocínio multietapas Emoção- Experimentador-Evento-Causa para a extração de pares emoção-causa, que reformula o ECPE como uma cadeia de raciocínio cognitivamente interpretável de “emoção-experimentador-evento-causa”, permitindo caminhos de raciocínio causal explícito. (3) É proposta uma geração semântica estruturada com alinhamento para extração de pares emoção-causa, que define sequências-alvo estruturadas e introduz restrições de previsão ao nível da cláusula para garantir uma geração precisa e coerente. (4) É introduzido um método de ajuste de “prompts” baseado em conhecimento emocional para a extração de pares emoção-causa, que codifica explicitamente léxicos de emoções e padrões causais em modelos de “prompt” para orientar o modelo na captura de correlações semânticas essenciais entre emoção e causa. Experiências extensivas sobre conjuntos de dados de referência bilingues (chinês/inglês) e entre domínios (notícias/narrativa) demonstram que estes métodos alcançam um desempenho excecional ou competitivo na F1 e métricas relacionadas, ao mesmo tempo que melhoram significativamente a robustez e a interpretabilidade.por
dc.description.abstractEmotion–Cause Pair Extraction (ECPE) aims to identify emotion clauses and their corresponding cause clauses from document-level texts, forming explicit emotion–cause pairs. Despite recent progress, existing approaches still face key challenges: (1) diverse structural patterns between emotions and causes hinder effective modeling of long-range dependencies; (2) the lack of hierarchical and semantic collaboration between emotion and cause identification reduces logical coherence and interpretability; (3) generative methods often produce structurally inconsistent or semantically unfaithful outputs; and (4) most models generalize poorly across domains or in low-resource scenarios, limiting their robustness in real-world applications. To address these challenges, this thesis conducts a systematic study of end-to-end ECPE through four complementary approaches. (1) A Relative Position-Aware Mixture-of-Experts with Multi-Task Learning for Emotion-Cause Pair Extraction (Rel-MoE) is proposed, which integrates syntactic dependencies, semantic roles, and inter-sentence relations to adaptively capture diverse emotion–cause structures. (2) An Emotion- Experiencer-Event-Cause multi-step chain reasoning for Emotion-Cause Pair Extraction (EEEC) is developed, which reformulates ECPE as a cognitively interpretable reasoning chain of “emotion–experiencer– event–cause”, enabling explicit causal reasoning paths. (3) A Semantics-Structured Generation with Alignment for Emotion-Cause Pair Extraction (SSG-ECPE) is proposed, which defines structured target sequences and introduces clause-level prediction constraints to ensure faithful and coherent generation. (4) An Emotion knowledge-aware Prompt-tuning for Emotion-Cause Pair Extraction (EmoPrompt-ECPE) is introduced, explicitly encoding emotion lexicons and causal patterns into prompt templates to guide the model in capturing essential emotion–cause semantic correlations. Extensive experiments on bilingual (Chinese/English) and cross-domain (news/narrative) benchmark datasets demonstrate that these methods achieve state-of-the-art or competitive performance in F1 and related metrics, while significantly improving robustness and interpretability.eng
dc.identifier.tid101680619
dc.identifier.urihttps://hdl.handle.net/1822/102490
dc.language.isoeng
dc.rightsembargoedAccess (2 Years)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectAprendizagem multitarefa
dc.subjectExtracção de pares emoção-causa
dc.subjectPerspectiva generativa
dc.subjectProblema de raciocínio em várias etapas
dc.subjectRedes neuronais de grafos
dc.subjectEmotion-Cause Pair Extraction
dc.subjectGenerative Perspective
dc.subjectGraph Neural Networks
dc.subjectMulti-step Reasoning Problem
dc.subjectMulti-task Learning
dc.subject.fosEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
dc.titleEnd-to-end emotion-cause pair extractioneng
dc.title.alternativeExtração completa de pares emoção-causapor
dc.typedoctoralThesis
dspace.entity.typePublication
sdum.degree.gradeMuito bom
sdum.uoeiEscola de Engenharia
thesis.degree.grantorUniversidade do Minhopor
thesis.degree.nameDoutoramento em Engenharia Eletrónica e de Computadores

Ficheiros

Pacote original

A mostrar 1 - 1 de 1
A carregar...
Nome:
Xue Gu.pdf
Tamanho:
4.46 MB
Formato:
Adobe Portable Document Format