生成还是审判？基于LLM的对话中情感-原因对提取的范式视角

对话中的情绪-原因对提取 (ECPEC) 可识别其中一个话语引起另一个话语表达的情绪的话语对。最近基于 LLM 的方法以明显不同的粒度制定 ECPEC，范围从生成完整的配对集到判断单个候选对。在本文中，我们做出了令人惊讶的观察，即任务制定极大地影响了绩效，在所有 18 个受控比较中，结对级别判断优于对话级别生成。我们调查了这种范式差距的根源，发现对话级生成忽略的许多关系在显式配对查询下仍然可以识别，在这种查询下，模型可以识别 92.7%-98.1% 的情感-因果关系。这表明 LLM 可以识别情绪-因果关系，但很难发现并返回完整的配对集。配对级别判断减轻了这种负担，尽管其候选排名比共享阈值产生的二元决策更可靠。基于此诊断，我们引入了辅助 检索器，它有选择地重新检查模糊的边界情况，在三个数据集上产生一致的 F1 改进 0.50-1.46 点，同时保持推理时间仅为基线范式的 1.49 倍。这些发现表明，任务分解和候选范围对于有效利用 LLM 进行 ECPEC 至关重要。