原文下载 提取码：7mfx
目录
1. 比赛介绍
SemEval2019Task3_ERC是2019年Semantic Evaluation的第三个任务，对话情感识别。
使用的数据集是EmoContext，该对话数据集为纯文本数据集，来自社交平台。分为训练集、验证集和测试集。其中训练集、验证集、测试集各包含30,160、2755和5509个对话，每个对话都包含三轮(2人对话数据集(Person1,Person2,Person1))，因此训练集、验证集、测试集各包含90,480、8265和16,527个子句(utterances)。
这个数据集存在严重的类别不均衡现象，和其他数据不均衡现象有所区别，它在训练集比较均衡，但在验证集和测试集中每一个情感类别数据大约占总体的<4%（符合实际情况，实际对话中大部分子句是不包含任何情感的），具体统计情况如下：
与一般的判断给定文本/句子情感的任务不同，该任务的的目标是，给定一个对话(3轮)，判断最后一轮/最后一个子句说话者所表达的情感，建模时需要利用对话的上下文(context)来判断最后一个子句的情感。
数据集的每个对话中，只有最后一个子句有情感标签，该数据集的情感标签分为三类：Happiness、Sadness、Anger还有一个附加的标签(others)。其中有5740个对话标签为Happiness，6816个对话标签为Sadness，6533个对话标签为Anger，剩余对话标签全为others。
比赛采用的评估指标为：micro F1-score（只在三个情感类别Happiness、Sadness、Anger上计算micro F1-score，不包括others。本文所采用模型的最好结果是 0.7089）
数据集样例如下图所示：
虽然这只是一个包含3轮对话且只有最后一轮对话有情感标签的数据集，但是可以把基于该数据集训练的模型，应用到更广泛的场景，如判断一个对话中任意一个子句的情感。假设该对话包含N个子句/N轮，若要判断第i个子句的情感，只需要把第i个子句连同第i-1,i-2个子句一同喂给训练好的模型，就可以判断第i个子句的情感了。其中i=1,...,N ,对话中每一个子句的情感就可以确定了(对 对话中前两个子句判断情感时，可以通过填充实现)。
2. 模型描述
- 输入
把对话的三个子句拼接在一起，整体作为输入。对整个对话进行预处理(分词等)，然后通过embedding层，转换为词向量。embedding的词嵌入矩阵使用GoEmb和GTEmb拼接进行初始化（300+300=600维，funetuing）。
其中GoEmb为Google word embedding，使用100billion的谷歌新闻数据进行预训练word2vec词向量，300维；GTEmb在1.1million的推特数据上进行预训练词向量，300维。
实际上，原文中使用了多种预训练词向量，并考虑他们之间的组合拼接，最后GoEmb和GTEmb拼接效果最好；而且还在词向量基础上附加一些统计特征，如大写字符和特殊字符等所占的比例，实验证明这些附加的统计特征没什么用，如下图所示：
- encoder
输入对话统一长度为50，输入tensor维度为(batch,50,600),先通过一个1维卷积层(大小3，200个,把输入看作是多通道的一维卷积，嵌入维600为通道)，得到tensor（batch,48,200）;在通过一个1维最大池化层(大小4,步长4)，得到tensor(batch，12，200)；再通过一个双向的LSTM(200单元)，得到tensor(batch,12,400);然后再通过一个1维的全局最大池化,得到tensor(batch,400),再通过两个Dense 层，接softmax层做分类即可。
- 预测
本文通过训练多个不同的模型，采用多数投票策略，对一个样本，哪个类别获得的票数最多，则把它划分为该类别。
