NTDH：面向全面情感分析的复杂推理

arXiv cs.CL 论文
affective-computing emotion-analysis reasoning reinforcement-learning multi-task-learning

摘要

本文介绍了 NTDH，一个面向全面情感分析的复杂推理框架，它统一了情感和情绪预测任务。在 Qwen3-8B 上使用 SFT 和 GRPO 进行训练，在 SemEval-2018 EI-reg 上取得了强劲的结果，皮尔逊相关系数为 0.862。

arXiv:2608.06425v1 公告类型：新 摘要：综合情感分析具有挑战性，原因有二：它涵盖具有连续、有序和多标签输出的异构预测任务；并且情感意义依赖于上下文，需要调和相互冲突的线索，而不是直接映射到标签。现有方法直接学习这种映射，并未显式地对调和过程进行建模。我们将该任务重新表述为一个复杂推理问题，从而在异构标签空间之间产生统一的输出接口，并产生一条可优化可验证奖励的轨迹；据我们所知，这是首次同时涵盖情感和情绪的这种处理方法。障碍在于数据方面：情感推理轨迹必须被合成，而通用合成与情感的目标、容差和现象不一致，并且会丢弃或泄露其失败案例。我们提出了 NTDH，以解决这四个失败。自然化将训练答案设置为黄金标签，因此其正确性由构造保证。容差感知门根据任务自身的评分余量检查每个答案。领域感知策略利用情感科学的思想改进推理。方向性提示仅报告错误的类型和方向，而不暴露目标。我们在 Qwen3-8B 上使用 SFT 进行训练，然后在相同的用于验证的容差下进行 GRPO 训练（多标签子任务上采用更宽松的构造门），并通过组件消融量化每个部分对数据质量的影响。使用 16,302 条训练记录，比可比的指令微调系统少约 14 倍，最终策略在六项官方测试指标中的五项上优于其 SFT 检查点，并在比较系统中取得了最强的 EI-reg 结果，皮尔逊相关系数为 0.862。
查看原文
查看缓存全文

缓存时间: 2026/08/10 08:00 

#

相似文章

BDH-CQ：结合循环潜在推理的上下文学习

Hugging Face Daily Papers

本文介绍了BDH-CQ，一个150M参数规模的推理模型，它将上下文学习与循环潜在推理相结合，在ARC-AGI-1上以极低的推理成本实现了29.5%的pass@2，确立了新的成本-精度前沿。

REGARD：大型语言模型中的区域情感差异

arXiv cs.CL

本文介绍REGARD，一项使用Valence-Arousal-Dominance画像法测量LLM对后苏联实体情感框架差异的研究，揭示模型按情感强度和通用回答率聚类，而非按来源或规模聚类。

用于共情回应的动态常识协调

arXiv cs.CL

提出了DCC，一个用于共情回应生成的动态常识协调框架，集成了基于残差的交互、关联引导的过滤和迭代解码，相比于基线模型提高了情感分类准确率和回应多样性。

Rationale-Guided Learning for Multimodal Emotion Recognition

arXiv cs.AI

Introduces Rationale-Guided Learning (RGL), a framework that reframes multimodal emotion recognition in conversation as a cognitively-inspired reasoning task using dual-process theory and MLLM-generated rationales, achieving state-of-the-art results on IEMOCAP and MELD.