Ein Herausforderungs-Datensatz und effektive Modelle zur Erkennung von Gesprächshaltungen

Frühere Studien zur Haltungsdetektion konzentrieren sich typischerweise darauf, Haltungen innerhalb einzelner Fälle zu bewerten, was zu Einschränkungen bei der effektiven Modellierung von Mehrparteidiskussionen zu demselben spezifischen Thema führt, wie sie in authentischen sozialen Medieninteraktionen natürlich vorkommen. Diese Einschränkung ergibt sich hauptsächlich aus der Knappheit von Datensätzen, die reale soziale Medienkontexte authentisch replizieren, was den Fortschritt der Forschung zur Gesprächshaltungserkennung behindert. In diesem Papier stellen wir einen neuen Datensatz zur Erkennung von Gesprächshaltungen in Mehrdrehszenarien (genannt MT-CSD) vor, der mehrere Ziele für die Erkennung von Gesprächshaltungen umfasst. Um Haltungen aus diesem herausfordernden Datensatz abzuleiten, schlagen wir ein Global-Local-Attention-Netzwerk (GLAN) vor, um sowohl lange als auch kurzreichweitige Abhängigkeiten, die in Gesprächsdaten inhärent sind, zu adressieren. Bemerkenswerterweise weisen selbst moderne Methoden zur Haltungsdetektion, wie das Beispiel GLAN, eine Genauigkeit von nur 50,47\% auf, was die anhaltenden Herausforderungen in der Gesprächshaltungserkennung verdeutlicht. Darüber hinaus dient unser MT-CSD-Datensatz als wertvolle Ressource zur Förderung von Fortschritten in der bereichsübergreifenden Haltungsdetektion, bei der ein Klassifikator an ein anderes, aber verwandtes Ziel angepasst wird. Wir glauben, dass MT-CSD dazu beitragen wird, die realen Anwendungen der Haltungsdetektionsforschung voranzutreiben. Unser Quellcode, Daten und Modelle sind verfügbar unter https://github.com/nfq729/MT-CSD.