EmoLASP：结合语言模型与答案集编程的情感识别

对话中的情绪识别越来越多地通过语言模型来解决，但这些模型可能不稳定，并且微调或提示较长的对话历史的成本很高。我们提出了 EmoLASP，这是一个通过答案集编程 (ASP) 将语言模型与声明性推理相结合的框架，用于预测对话中的 VAD 分数（效价-唤醒-优势）。对六个开源 LLM (3B-120B) 和两个 PLM（BERT、RoBERTa）广泛使用的基准数据集 (IEMOCAP) 进行的实验表明，与单独使用语言模型相比，EmoLASP 提高了预测性能，即使 LLM/PLM 的提示或输入向量中没有给出对话历史记录。对于仅提示LLM来说，收益最大，EmoLASP 无需任何微调即可使用。然而，对于经过微调的 PLM，一旦对话历史记录可用，推理器就几乎不会添加任何内容。 EmoLASP 的 LLM 流程展示了使用推理方法来确保情绪预测一致性并降低微调成本和长对话历史提示成本的潜在优势。