情绪原因对提取（ECPE）是一项新的任务，旨在从文档中提取潜在的情绪和相应原因。先前的方法重点是建模成对的关系并取得了令人鼓舞的结果。但是，从根本上象征文档的基本结构的条款与差异关系仍处于研究期。在本文中，我们定义了一个新的条款 - 差异关系。为了学习它，我们提出了一个名为EA-GAT的一般条款级编码模型，该模型包括E-GAT和激活排序。 E-GAT旨在从不同类型的子句中汇总信息；激活排序利用个人情感/原因预测和基于排序的映射将条款推向更有利的表示。由于EA-GAT是一个子句级编码模型，因此可以与任何以前的方法广泛集成。实验结果表明，我们的方法比当前的所有方法在中文和英语基准语料库中都具有显着优势，平均$ 2.1 \％$和$ 1.03 \％$ $。

情绪原因对提取（ECPE）任务旨在从文档中提取情绪和原因。我们观察到，在典型的ECPE数据集中，情绪和原因的相对距离分布极为不平衡。现有方法设置了一个固定的大小窗口，以捕获相邻子句之间的关系。但是，他们忽略了遥远条款之间的有效语义联系，从而导致对位置不敏感数据的概括能力差。为了减轻问题，我们提出了一种新型的多晶格语义意识图模型（MGSAG），以共同结合细粒度和粗粒语义特征，而无需距离限制。特别是，我们首先探讨从子句和从文档中提取的关键字之间的语义依赖性，这些文档传达了细颗粒的语义特征，从而获得了关键字增强子句表示。此外，还建立了子句图，以模拟条款之间的粗粒语义关系。实验结果表明，MGSAG超过了现有的最新ECPE模型。特别是，MGSAG在不敏感数据的条件下大大优于其他模型。

Emotion-cause pair extraction (ECPE) aims to extract emotion clauses and corresponding cause clauses, which have recently received growing attention. Previous methods sequentially encode features with a specified order. They first encode the emotion and cause features for clause extraction and then combine them for pair extraction. This lead to an imbalance in inter-task feature interaction where features extracted later have no direct contact with the former. To address this issue, we propose a novel Pair-Based Joint Encoding (PBJE) network, which generates pairs and clauses features simultaneously in a joint feature encoding manner to model the causal relationship in clauses. PBJE can balance the information flow among emotion clauses, cause clauses and pairs. From a multi-relational perspective, we construct a heterogeneous undirected graph and apply the Relational Graph Convolutional Network (RGCN) to capture the various relationship between clauses and the relationship between pairs and clauses. Experimental results show that PBJE achieves state-of-the-art performance on the Chinese benchmark corpus.

情感双对提取（ECPE）是情感原因分析中的一项新任务，它从情感文档中提取潜在的情感因子对。最近的研究使用端到端方法来应对ECPE任务。但是，这些方法要么患有标签稀疏问题，要么无法模拟情绪与原因之间的复杂关系。此外，他们都不考虑条款的明确语义信息。为此，我们将ECPE任务转换为文档级机器阅读理解（MRC）任务，并提出了具有重新INK机制（MM-R）的多转移MRC框架。我们的框架可以模拟情绪和原因之间的复杂关系，同时避免产生配对矩阵（标签稀疏问题的主要原因）。此外，多转弯结构可以融合情绪和原因之间的明确语义信息流。关于基准情绪的广泛实验导致语料库证明了我们提出的框架的有效性，该框架的表现优于现有的最新方法。

情绪引起的提取（ECPE）是情感原因分析的衍生子任务之一（ECA），与情感提取（EE）共享丰富的相关特征（EE）并引起提取（CE）。因此，EE和CE经常被用作更好的特征学习的辅助任务，通过先前的工作通过多任务学习（MTL）框架建模，以实现最新的ECPE结果。但是，现有的基于MTL的方法无法同时建模特定特征和之间的交互作用，或者遭受标签预测的不一致。在这项工作中，我们考虑通过使用新型A^2NET模型执行两种对齐机制来解决以上改善ECPE的挑战。我们首先提出一个功能任务对齐方式，以明确对特定的情感和特定特定功能和共享交互式特征进行建模。此外，还实施了任务跨度的对准，其中ECPE和EE和CE组合之间的标签距离被缩小了以获得更好的标签一致性。对基准的评估表明，我们的方法在所有ECA子任务上的表现都优于当前最佳性能系统。进一步的分析证明了我们提出的一致性机制对任务的重要性。

Emotion-cause pair extraction (ECPE), as an emergent natural language processing task, aims at jointly investigating emotions and their underlying causes in documents. It extends the previous emotion cause extraction (ECE) task, yet without requiring a set of pre-given emotion clauses as in ECE. Existing approaches to ECPE generally adopt a two-stage method, i.e., (1) emotion and cause detection, and then (2) pairing the detected emotions and causes. Such pipeline method, while intuitive, suffers from two critical issues, including error propagation across stages that may hinder the effectiveness, and high computational cost that would limit the practical application of the method. To tackle these issues, we propose a multi-task learning model that can extract emotions, causes and emotion-cause pairs simultaneously in an end-to-end manner. Specifically, our model regards pair extraction as a link prediction task, and learns to link from emotion clauses to cause clauses, i.e., the links are directional. Emotion extraction and cause extraction are incorporated into the model as auxiliary tasks, which further boost the pair extraction. Experiments are conducted on an ECPE benchmarking dataset. The results show that our proposed model outperforms a range of state-of-the-art approaches.

Causal Emotion Entailment aims to identify causal utterances that are responsible for the target utterance with a non-neutral emotion in conversations. Previous works are limited in thorough understanding of the conversational context and accurate reasoning of the emotion cause. To this end, we propose Knowledge-Bridged Causal Interaction Network (KBCIN) with commonsense knowledge (CSK) leveraged as three bridges. Specifically, we construct a conversational graph for each conversation and leverage the event-centered CSK as the semantics-level bridge (S-bridge) to capture the deep inter-utterance dependencies in the conversational context via the CSK-Enhanced Graph Attention module. Moreover, social-interaction CSK serves as emotion-level bridge (E-bridge) and action-level bridge (A-bridge) to connect candidate utterances with the target one, which provides explicit causal clues for the Emotional Interaction module and Actional Interaction module to reason the target emotion. Experimental results show that our model achieves better performance over most baseline models. Our source code is publicly available at https://github.com/circle-hit/KBCIN.

了解因果关系有助于构建干预措施，以实现特定的目标并在干预下实现预测。随着学习因果关系的越来越重要，因果发现任务已经从使用传统方法推断出潜在的因果结构从观察数据到深度学习涉及的模式识别领域。大量数据的快速积累促进了具有出色可扩展性的因果搜索方法的出现。因果发现方法的现有摘要主要集中在基于约束，分数和FCM的传统方法上，缺乏针对基于深度学习的方法的完美分类和阐述，还缺乏一些考虑和探索因果关系的角度来探索因果发现方法范式。因此，我们根据变量范式将可能的因果发现任务分为三种类型，并分别给出三个任务的定义，定义和实例化每个任务的相关数据集以及同时构建的最终因果模型，然后审查不同任务的主要因果发现方法。最后，我们从不同角度提出了一些路线图，以解决因果发现领域的当前研究差距，并指出未来的研究方向。

由于其在各个领域的重要性和潜在应用，情感 - 原因对提取（ECPE）是一种自然语言处理的复杂而流行的地区。在本报告中，我们的目标是在线评论领域的ECPE中展示我们的ECPE工作。通过手动注释的数据集，我们探索使用神经网络提取情绪原因对的算法。此外，我们提出了一种使用先前参考资料的模型，并将情感导致对与情感感知的单词嵌入领域的研究相结合，在那里我们将这些嵌入的嵌入式发送到Bi-LSTM层中，这为我们提供了情绪相关的条款。随着有限数据集的约束，我们实现了。我们报告的总体范围包括全面的文献审查，通过提出对管道的改进以及特定域的算法开发和实施来修改ECPE的引用方法的全面文献审查，以及修改以前的工作评论评论。

Predicting emotions expressed in text is a well-studied problem in the NLP community. Recently there has been active research in extracting the cause of an emotion expressed in text. Most of the previous work has done causal emotion entailment in documents. In this work, we propose neural models to extract emotion cause span and entailment in conversations. For learning such models, we use RECCON dataset, which is annotated with cause spans at the utterance level. In particular, we propose MuTEC, an end-to-end Multi-Task learning framework for extracting emotions, emotion cause, and entailment in conversations. This is in contrast to existing baseline models that use ground truth emotions to extract the cause. MuTEC performs better than the baselines for most of the data folds provided in the dataset.

基于方面的情感分析（ABSA）是一项精细的情感分析任务，旨在使特定方面的情感极性推断对齐方面和相应的情感。这是具有挑战性的，因为句子可能包含多个方面或复杂（例如，有条件，协调或逆境）的关系。最近，使用图神经网络利用依赖性语法信息是最受欢迎的趋势。尽管取得了成功，但在很大程度上依赖依赖树的方法在准确地建模方面的对准及其单词方面构成了挑战，因为依赖树可能会提供无关的关联的嘈杂信号（例如，“ conj”之间的关系“ conj”之间的关系。图2中的“伟大”和“可怕”。在本文中，为了减轻这个问题，我们提出了一个双轴法意识到的图形注意网络（BISYN-GAT+）。具体而言，bisyn-gat+完全利用句子组成树的语法信息（例如，短语分割和层次结构），以建模每个方面的情感感知环境（称为内在文章）和跨方面的情感关系（称为跨性别的情感）称为Inter-Contept）学习。四个基准数据集的实验表明，BISYN-GAT+的表现始终超过最新方法。

在谈话中的情感认可（ERC）近年来引起了很多关注，以实现广泛应用的必要性。现有的ERC方法主要是单独模拟自我和讲话者上下文，在缺乏它们之间缺乏足够的互动的主要问题。在本文中，我们提出了一种用于ERC（S + Page）的新型扬声器和位置感知图形神经网络模型，其中包含三个阶段，以结合变压器和关系图卷积网络（R-GCN）的优势以获得更好的上下文建模。首先，提出了一种双流的会话变压器以提取每个话语的粗略自我和扬声器上下文特征。然后，构造扬声器和位置感知会话图，并且我们提出了一种称为PAG的增强型R-GCN模型，以优化由相对位置编码引导的粗略特征。最后，从前两个阶段的两个特征都被输入到条件随机场层中以模拟情绪转移。

自动推荐向特定法律案件的相关法律文章引起了很多关注，因为它可以大大释放人工劳动力，从而在大型法律数据库中寻找。然而，目前的研究只支持粗粒度推荐，其中所有相关文章都预测为整体，而无需解释每种文章与之相关的具体事实。由于一个案例可以由许多支持事实形成，因此遍历它们来验证推荐结果的正确性可能是耗时的。我们认为，在每个单一的事实和法律文章之间学习细粒度的对应，对于准确可靠的AI系统至关重要。通过这种动机，我们执行开创性的研究并创建一个手动注释的事实 - 文章的语料库。我们将学习视为文本匹配任务，并提出一个多级匹配网络来解决它。为了帮助模型更好地消化法律文章的内容，我们以随机森林的前提结论对形式解析物品。实验表明，解析的形式产生了更好的性能，结果模型超越了其他流行的文本匹配基线。此外，我们与先前的研究相比，并发现建立细粒度的事实 - 文章对应物可以通过大幅度提高建议准确性。我们最好的系统达到了96.3％的F1得分，使其具有实际使用潜力。它还可以显着提高法律决策预测的下游任务，将F1增加到12.7％。

因果情绪综合（CEE）旨在发现对话说法中情感背后的潜在原因。先前的工作将CEE正式为独立的话语对分类问题，并忽略了情感和说话者信息。从新的角度来看，本文考虑了联合框架中的CEE。我们同步对多种话语进行分类，以捕获全球观点中的话语之间的相关性，并提出一个两条注意力模型（TSAM），以有效地模拟说话者在对话历史上的情感影响。具体而言，TSAM包括三个模块：情感注意网络（EAN），说话者注意网络（SAN）和交互模块。 EAN和SAN并行结合了情感和说话者信息，随后的交互模块通过相互的Biaffine转换有效地互换了EAN和SAN之间的相关信息。广泛的实验结果表明，我们的模型实现了新的最新性能（SOTA）性能，并且表现出色的基准。

本次调查绘制了用于分析社交媒体数据的生成方法的研究状态的广泛的全景照片（Sota）。它填补了空白，因为现有的调查文章在其范围内或被约会。我们包括两个重要方面，目前正在挖掘和建模社交媒体的重要性：动态和网络。社会动态对于了解影响影响或疾病的传播，友谊的形成，友谊的形成等，另一方面，可以捕获各种复杂关系，提供额外的洞察力和识别否则将不会被注意的重要模式。

最近的神经监督主题细分模型具有优于无监督方法的杰出有效性，并从Wikipedia采样了大规模培训语料库。但是，这些模型可能会因利用简单的语言线索进行预测而引起的鲁棒性和可传递性有限，但忽略了更重要的索引间局部一致性。为了解决这个问题，我们提出了一种语言意识到的神经主题细分模型，并注入了句子上的话语依赖性结构，以鼓励模型使主题边界预测更多地基于句子之间的局部一致性。我们对英语评估数据集的实证研究表明，通过我们提出的策略将上述句子话语结构注入神经主题分段者可以实质上改善其在域内和外域数据上的性能，而模型的复杂性很小。

来自文本的采矿因果关系是一种复杂的和至关重要的自然语言理解任务，对应于人类认知。其解决方案的现有研究可以分为两种主要类别：基于特征工程和基于神经模型的方法。在本文中，我们发现前者具有不完整的覆盖范围和固有的错误，但提供了先验知识;虽然后者利用上下文信息，但其因果推断不足。为了处理限制，我们提出了一个名为MCDN的新型因果关系检测模型，明确地模拟因果关系，而且，利用两种方法的优势。具体而言，我们采用多头自我关注在Word级别获得语义特征，并在段级别推断出来的SCRN。据我们所知，关于因果关系任务，这是第一次应用关系网络。实验结果表明：1）该方法对因果区检测进行了突出的性能; 2）进一步分析表现出MCDN的有效性和稳健性。

文本分类任务的关键是语言表示和重要信息提取，并且有许多相关研究。近年来，文本分类中的图形神经网络（GNN）的研究逐渐出现并显示出其优势，但现有模型主要集中于直接将单词作为图形节点直接输入GNN模型，而忽略了不同级别的语义结构信息。样品。为了解决该问题，我们提出了一个新的层次图神经网络（HIEGNN），该图分别从Word级，句子级别和文档级别提取相应的信息。与几种基线方法相比，几个基准数据集的实验结果取得更好或相似的结果，这表明我们的模型能够从样品中获得更多有用的信息。

言语的数字，例如隐喻和讽刺，在文学作品和口语对话中无处不在。这对自然语言理解构成了巨大的挑战，因为语音的数字通常偏离表面上表达更深层次的语义含义的含义。先前的研究强调了数字的文学方面，很少从计算语言学的观点提供全面的探索。在本文中，我们首先提出了象征性单元的概念，该单元是人物的载体。然后，我们选择了中文常用的12种类型的数字，并构建中文语料库以进行上下文化的图形识别（配置）。与以前的令牌级别或句子级别对应物不同，配置旨在从话语级别的上下文中提取象征性单元，并将象征性单元分类为正确的图类型。在配置时，设计了三个任务，即图形提取，图类型分类和图形识别，并使用最新技术来实现基准。我们进行彻底的实验，并表明所有三个任务对于现有模型都充满挑战，因此需要进一步研究。我们的数据集和代码可在https://github.com/pku-tangent/configure上公开获取。

学术研究是解决以前从未解决过的问题的探索活动。通过这种性质，每个学术研究工作都需要进行文献审查，以区分其Novelties尚未通过事先作品解决。在自然语言处理中，该文献综述通常在“相关工作”部分下进行。鉴于研究文件的其余部分和引用的论文列表，自动相关工作生成的任务旨在自动生成“相关工作”部分。虽然这项任务是在10年前提出的，但直到最近，它被认为是作为科学多文件摘要问题的变种。然而，即使在今天，尚未标准化了自动相关工作和引用文本生成的问题。在这项调查中，我们进行了一个元研究，从问题制定，数据集收集，方法方法，绩效评估和未来前景的角度来比较相关工作的现有文献，以便为读者洞察到国家的进步 - 最内容的研究，以及如何进行未来的研究。我们还调查了我们建议未来工作要考虑整合的相关研究领域。