在情感分析与观点挖掘领域中，相比于情感要素抽取、要素级情感分类等较为成熟的方向，对引发情感的原因进行分析挖掘的相关研究也受到了越来越多的关注。本期论坛我们邀请了来自中科院自动化所的韦鹏辉同学，回顾如何使用端到端的方式提取情绪-原因的句对，并解析ACL2020 上与此相关的两项工作。
韦鹏辉：中国科学院自动化研究所在读博士生，2016年本科毕业于武汉大学。主要研究兴趣为观点挖掘、文本生成和信息检索，曾在ACL、EMNLP、SIGIR、AAAI发表一作论文。
报告题目：端到端的情绪原因分析
报告摘要：情绪原因分析早期的研究工作主要关注于从文档中抽取给定情绪类型/情绪表达子句所对应的原因子句。此类研究工作中，事先给定情绪类型/情绪表达子句这一要求限制了情绪原因分析在实际场景中的应用，因此相关学者后续提出了情绪和原因的联合抽取任务，旨在从文档中成对抽取出 {情绪子句, 原因子句} 而无须事先给定情绪类型，并同时给出了两阶段解法：首先独立地得到情绪子句集合、原因子句集合，两个集合做笛卡尔积得到全部可能的成对后再用二分类器来过滤掉错误的部分。两阶段解法的主要问题在于pipeline模式下固有的错误传递问题，并且其第一阶段在没有情绪的情况下就抽取原因是不合理的。针对两阶段解法的缺陷，近期的研究开始对该问题进行端到端建模，尝试直接从文档中提取出情绪-原因的句对。本次报告将回顾相关研究，并介绍发表于ACL 2020的两篇工作，分别从排序和结构化预测的角度出发来端到端地进行情绪原因分析：其中一篇工作由笔者发表，将信息抽取任务转化为排序问题，基于语篇结构提出了一个简单但有效的句对排序模型；另一篇工作则从结构化预测中转移系统中受到启发而提出一个有向图构建模型。在报告的最后将会给出这一问题的进一步发展思路供读者参考。
Spotlight：
1、全面回顾情绪原因分析这一研究领域；
2、介绍两个建模角度不同但都取得优秀性能的端到端情绪原因分析模型；
3、给出这一领域在未来的可能发展思路。
推荐理由：这项工作最早提出了情绪原因识别这一研究问题，并给出了语言学规则驱动的方案。
推荐理由：这项工作公开了第一个中文情绪原因抽取语料，并提出了基于事件抽取的方法。
推荐理由：这项工作将情绪原因分析推广至更精细的情绪语义角色分析，公开了第一个英文语料。
推荐理由：这项工作提出了情绪-原因联合抽取这一新任务，并给出了一个两阶段的方案。
推荐理由：这项工作将情绪-原因联合抽取转化为排序问题，基于语篇结构提出了一个端到端的句对排序模型。
推荐理由：这项工作将情绪-原因联合抽取转化为有向图构建问题，基于转移系统提出了一个端到端的基于状态转移的模型。
推荐理由：这项工作进一步研究了情绪语义角色，公开了相应的英文语料。
录播视频 / 推荐论文下载 / 讲者PPT 登录后获取查看地址