Фаҳмидани эҳсосот дар гуфтугӯ аксаран танҳо хондани як ҷумла нест. Ҳамон як ҷумла дар контекстҳои гуногун метавонад эҳсосоти тамоман дигарро ифода кунад. Масалан, ибораи «Ман ҳам» дар як суҳбат метавонад ҳаяҷонро, дар суҳбати дигар хашм ё ноумедиро инъикос кунад. Аз ин рӯ, барои он ки зеҳни сунъӣ эҳсосоти гуфтугӯро дарк кунад, бояд на танҳо ба калимаҳо, балки ба ҷараёни суҳбат, кӣ будани гӯяндагон, оҳанги овоз ва ишораҳои визуалӣ низ назар кунад.

Ин таҳқиқ модели нави CAHRGN-ро барои шинохти бисёрмодалии эҳсосот дар гуфтугӯ пешниҳод мекунад. CAHRGN ихтисораи “Context-Aware Heterogeneous Relational Graph Network” мебошад. Онро ба тоҷикӣ тақрибан «Шабакаи графии релятсионии гетерогенӣ бо огоҳӣ аз контекст» тарҷума кардан мумкин аст. Модел ҳар як воҳиди гуфтугӯро бо се канали ҷудогонаи иттилоотӣ — матн, садо ва тасвир — намояндагӣ мекунад; сипас муносибатҳои байни ин каналҳо ва контексти гузаштаву ояндаро дар сохтори графӣ коркард менамояд.

Паёми асосии таҳқиқ чунин аст: Барои шинохти эҳсосот танҳо таҳлили матн кофӣ нест. Вақте ҷараёни замонии гуфтугӯ, тарзи баёни гӯяндагон ва муносибатҳои байни матн-садо-тасвир якҷо баррасӣ мешаванд, модел метавонад натиҷаҳои қавитар диҳад.

Мушкил чист?

Низомҳои шинохти эҳсосот аксаран мекӯшанд аз матнҳои кӯтоҳ, сабтҳои овозӣ ё ифодаҳои чеҳра эҳсосотро пешгӯӣ кунанд. Аммо гуфтугӯҳои воқеӣ аз як ҷумлае, ки танҳо баррасӣ мешавад, хеле мураккабтаранд. Одамон ба ҷумлаҳои пешина ҷавоб медиҳанд, гӯяндагон ба ҳамдигар таъсир мерасонанд, баъзан калимаҳо бетараф менамоянд, аммо оҳанги овоз ё ифодаи чеҳра эҳсоси дигарро мерасонад.

Аз ин рӯ, шинохти эҳсосот дар дохили гуфтугӯ нисбат ба таснифи классикии эҳсосот масъалаи душвортар аст. Модел бояд на танҳо ба саволи «дар ин ҷумла кадом калимаҳо ҳастанд?» ҷавоб диҳад, балки саволҳои «ин ҷумла аз ҷониби кӣ гуфта шуд, пеш аз он чӣ гуфта шуд, баъд чӣ омад, оё садо ва тасвир матнро тасдиқ мекунанд ё бо он мухолифанд?»‑ро низ ҳал кунад.

Қисме аз усулҳои қаблӣ тартиби гуфтугӯро бо шабакаҳои такроршаванда ба монанди LSTM пайгирӣ мекунанд. Ин усулҳо метавонанд контексти наздикро дарёбанд, вале дар гуфтугӯҳои тӯлонӣ нигоҳ доштани вобастагиҳои дур барои онҳо душвор мешавад. Усулҳои графӣ бошад, метавонанд муносибатҳои гуфтугӯро чандиртар моделсозӣ кунанд, аммо баъзе аз онҳо матн, садо ва тасвирро ҳамчун як гиреҳи муттаҳид баррасӣ мекунанд ва бинобар ин саҳми хоси ҳар модалиятро пурра истифода намебаранд.

Мушкиле, ки таҳқиқ ҳал кардан мехоҳад, маҳз ҳамин аст: Зеҳни сунъӣ дар гуфтугӯҳои бисёрмодалӣ ҳам муносибатҳои байни модалиятҳо ва ҳам таъсири гуногуни контексти гузашта ва ояндаро чӣ гуна беҳтар модел карда метавонад?

Усул чӣ пешниҳод мекунад?

Модели CAHRGN гуфтугӯро ҳамчун граф баррасӣ мекунад. Граф сохторест, ки аз гиреҳҳо ва канорҳо иборат аст. Дар ин таҳқиқ ҳар як воҳиди гуфтугӯ, яъне ҳар utterance, бо се модалияти ҷудогона — матн, садо ва тасвир — намояндагӣ мешавад. Ҳамин тавр, барои як ҷумла ба ҷойи як гиреҳ, гиреҳи матн, гиреҳи садо ва гиреҳи тасвир сохта мешавад.

Ин равиш муҳим аст, зеро нишонаи эҳсосот ҳамеша дар як канал қавӣ нест. Дар баъзе ҳолатҳо калимаҳо ба эҳсосот рӯирост ишора мекунанд. Дар баъзе ҳолатҳо оҳанги овоз муайянкунандатар мешавад. Дар баъзе ҳолатҳо ифодаи чеҳра ё рафтори визуалӣ аз матн маълумоти бештар медиҳад. CAHRGN мекӯшад ин каналҳоро ба як маҷмӯаи ягона напартояд, балки муносибатҳои байни онҳоро ҷудогона биомӯзад.

Ғояи дуюми муҳими модел ҷудо кардани самти вақт дар гуфтугӯ мебошад. Ҷумлаҳои гузашта ва оянда ҳамчун як навъи ягонаи контекст баррасӣ намешаванд. Зеро барои фаҳмидани эҳсоси як ҷумла суханони қаблӣ як навъ ишора медиҳанд ва вокунишҳои баъдӣ ишораҳои дигар. Аз ин рӯ, модел барои контексти гузашта ва контексти оянда навъҳои ҷудогонаи муносибат месозад.

Ғояи сеюм маълумоти гӯянда аст. Як эҳсос дар одамони гуногун метавонад ба таври гуногун ифода шавад. Баъзе одамон хашми худро ошкоро нишон медиҳанд, баъзеҳо бетарафтар сухан мегӯянд; баъзе гӯяндагон ибораҳои кӯтоҳу тез истифода мекунанд, баъзеҳо ғайримустақим ҳарф мезананд. Модел ҳувияти гӯяндаро ҳамчун намояндагии embedding илова карда, мекӯшад ин тарзҳои хоси шахсии баёнро омӯзад.

Ниҳоят, CAHRGN меъмориҳои RGCN ва Graph Transformer-ро якҷо истифода мебарад. RGCN интиқоли иттилоот байни гиреҳҳоро дар графҳое меомӯзад, ки навъҳои гуногуни муносибат доранд. Graph Transformer бошад, барои дарёфти контексти васеътар ва муносибатҳои дур кумак мекунад. Ҳамин тавр, модел ҳам муносибатҳои маҳаллии гуфтугӯ ва ҳам сохтори васеътари диалогро якҷо коркард мекунад.

Формулаҳо чиро мефаҳмонанд?

Дар таҳқиқ ифодаҳои зиёди математикӣ мавҷуданд, ки ҷузъҳои асосии моделро шарҳ медиҳанд. Формулаҳои зер бо риояи ҳарчи бештари сохтори рамзии таҳқиқ оварда шуда, бо шарҳи тоҷикӣ содда карда шудаанд.

Барои модалияти матн BERT истифода мешавад. Дар ин ҷо \(U_i^l\) шакли матнии сухани \(i\)-ум дар гуфтугӯ ва \(u_i^l\) намояндагии матниест, ки BERT истихроҷ кардааст.

Барои каналҳои садо ва тасвир кодгузорҳои бар пояи Bi-LSTM истифода мешаванд. Ин кодгузорҳо хусусиятҳои садоӣ ва визуалии ҳар воҳиди гуфтугӯро ба намояндагиҳои дарозии собит табдил медиҳанд.

Маълумоти гӯянда бо қабати ҷудогонаи embedding намояндагӣ мешавад. \(S\) ҳувиятҳои гӯяндагон дар гуфтугӯ ва \(S_{emb}\) намояндагии embedding-еро ифода мекунад, ки аз ин ҳувиятҳо ҳосил шудааст.

Embedding-и гӯянда барои қавӣ кардани намояндагии ҳар модалият истифода мешавад. \(\eta\) параметри омӯхташавандаест, ки вазни саҳми маълумоти гӯяндаро ифода мекунад.

Дар графи бисёрмодалии сохтаи модел ҳар воҳиди гуфтугӯ ба се гиреҳи модалият ҷудо мешавад. \(N\) шумораи суханҳо дар гуфтугӯ аст. Дар ин ҳолат шумораи умумии гиреҳҳо се баробар мешавад.

Дар граф байни гиреҳҳои матн, садо ва тасвири ҳамон сухан муносибатҳои бисёрмодалӣ сохта мешаванд. Ин муносибатҳо барои омӯхтани он истифода мешаванд, ки модалиятҳо чӣ гуна якдигарро пурра мекунанд.

Контексти гузашта ва оянда ҳамчун навъҳои ҷудогонаи муносибат муайян мешаванд. \(P\) равзанаи гузашта ва \(F\) равзанаи ояндаро ифода мекунад. Ин сохтор ба модел имкон медиҳад самти ҷараёни гуфтугӯро дақиқтар баррасӣ кунад.

Дар қабати RGCN ҳар гиреҳ маълумоти ҳамсояҳоро аз навъҳои гуногуни муносибат ҷамъ мекунад. \(W_r^{(k)}\) матритсаи вазнҳои хоси навъи муносибат, \(W_0^{(k)}\) вазнеро, ки маълумоти худи гиреҳро нигоҳ медорад, ва \(\sigma\) фаъолсозии ReLU-ро нишон медиҳад.

Дар қабати Graph Transformer байни гиреҳҳо холҳои attention ҳисоб карда мешаванд. Ин сохтор барои омӯхтани он кумак мекунад, ки кадом ҳамсоя барои гиреҳи дахлдор муҳимтар аст.

Дар марҳилаи ниҳоӣ намояндагиҳои матн, садо ва тасвир муттаҳид мешаванд ва барои ҳар сухан тамғаи эҳсосот пешгӯӣ мегардад.

Функсияи асосии талафот, ки дар омӯзиш истифода мешавад, cross entropy мебошад. Ҳар қадар пешгӯии модел ба тамғаи воқеии эҳсосот наздик шавад, ин талафот ҳамон қадар кам мешавад.

Паёми асосии график, ҷадвал ва схема

Схемаи намунавии гуфтугӯ нишон медиҳад, ки ҳамон як ибора дар контекстҳои гуногун метавонад эҳсосоти гуногун дошта бошад. Ибораи кӯтоҳ ва зоҳиран бетарафи “Me too” метавонад дар гуфтугӯи мусбате, ки барои сафар ба урдугоҳ омодагӣ дида мешавад, бо ҳаяҷон ё хушҳолӣ алоқаманд бошад, дар ҳоле ки дар гуфтугӯи дигар, ки аз филми дилгиркунанда шикоят мешавад, метавонад хашм ё норозигиро ифода кунад. Ин мисол ба таври сода нишон медиҳад, ки чаро контекст дар шинохти эҳсосот ногузир аст.

Меъмории модел аз чор қисми асосӣ иборат аст: истихроҷи хусусиятҳо, сохтани граф, омӯзиши графии релятсионӣ ва таснифи эҳсосот. Дар қисми истихроҷи хусусиятҳо барои матн BERT ва барои садо ва тасвир кодгузорҳои бар пояи LSTM истифода мешаванд. Дар қисми сохтани граф муносибатҳои матн-садо-тасвири ҳамон сухан ва контексти гузашта/ояндаи гуфтугӯ ҳамчун навъҳои ҷудогонаи канор моделсозӣ мешаванд. Шабакаи графии релятсионӣ ва Graph Transformer ин сохтори мураккабро коркард карда, барои ҳар сухан намояндагии ғанитар ҳосил мекунанд.

Паёми асосии ҷадвалҳои натиҷаҳо ин аст, ки модели CAHRGN дар се маҷмӯаи додаҳо низ иҷроиши қавӣ нишон медиҳад. Дар IEMOCAP-6 модел ба фоиз 70,87 дақиқӣ ва фоиз 70,75 weighted F1 мерасад. Дар IEMOCAP-4 фоиз 84,97 дақиқӣ ва фоиз 84,81 weighted F1 ба даст меояд. Дар MELD бошад, фоиз 64,83 дақиқӣ ва фоиз 63,01 weighted F1 гузориш мешавад. Ин арзишҳо аз усулҳои асосии муқоисашуда болотар ба назар мерасанд.

Таҳлили модалиятҳо нишон медиҳад, ки матн ба танҳоӣ қавитарин модалият аст. Садо ба танҳоӣ саҳми сатҳи миёна медиҳад, дар ҳоле ки тасвир ба танҳоӣ заифтар мемонад. Аммо беҳтарин натиҷаҳо ҳангоми истифодаи якҷояи ҳар се модалият ба даст меоянд. Ин бозёфт нишон медиҳад, ки шинохти эҳсосот танҳо кори хондани матн нест; садо ва тасвир низ, хусусан дар якҷоягӣ бо контекст, метавонанд маълумоти иловагӣ диҳанд.

Натиҷаҳои ablation нишон медиҳанд, ки ҷузъҳои асосии модел воқеан кор мекунанд. Ҳангоми хориҷ кардани RGCN ё Graph Transformer иҷроиш паст мешавад. Ҳангоми бардоштани канорҳои муносибатҳои бисёрмодалӣ ё канорҳои контекстӣ низ натиҷаҳо заиф мешаванд. Ин нишон медиҳад, ки муваффақияти модел ба як ҷузъи ягона не, балки ба кори якҷояи муносибатҳои модалӣ, контексти замонӣ, маълумоти гӯянда ва омӯзиши бар пояи граф такя мекунад.

Таҳлили маълумоти гӯянда низ паёми муҳим медиҳад. Ҳангоми истифодаи embedding-и гӯянда модел дар ҳар се маҷмӯаи додаҳо натиҷаи беҳтар медиҳад. Ин дастгирӣ мекунад, ки тарзи баён ва тамоюлҳои эҳсосии одамони гуногун дар шинохти эҳсосот маълумоти муҳим доранд.

Озмоишҳо чӣ гуна анҷом дода шудаанд?

Дар таҳқиқ се маҷмӯаи додаҳои маъмули шинохти бисёрмодалии эҳсосот истифода мешавад: IEMOCAP-4, IEMOCAP-6 ва MELD. IEMOCAP-4 чор тамғаи эҳсосотро дар бар мегирад: хашм, ғам, хушҳолӣ ва бетараф. IEMOCAP-6 бошад, шаш тамғаи эҳсосот — хушҳолӣ, ғам, бетараф, тарс, ҳайрат ва хашм — ро истифода мебарад. Маҷмӯаи додаҳои MELD низ маҷмӯаи маъмули муқоисавӣ барои шинохти эҳсосот дар диалогҳои бисёргӯянда мебошад.

Хусусиятҳои матн бо BERT истихроҷ мешаванд. Хусусиятҳои садо барои IEMOCAP тавассути OpenSmile ва барои MELD тавассути librosa ба даст оварда мешаванд. Хусусиятҳои визуалӣ барои IEMOCAP бо истифода аз OpenFace истихроҷ мешаванд. Сипас ин хусусиятҳо ба сохтори графии модели CAHRGN интиқол дода мешаванд.

Иҷроиши модел бо Accuracy ва weighted F1-score чен карда мешавад. Accuracy ҳиссаи намунаҳои дуруст пешгӯишударо нишон медиҳад. Weighted F1-score бошад, ченакест, ки номутавозунии синфҳоро беҳтар ба ҳисоб мегирад. Азбаски дар маҷмӯаҳои додаҳои шинохти эҳсосот баъзе синфҳои эҳсосот метавонанд нисбат ба дигарон камтар бошанд, weighted F1 махсусан муҳим аст.

Дар озмоишҳо CAHRGN бо bc-LSTM, DialogueRNN, DialogueGCN, MMGCN, COGMEN, DGSNet, FrameERC ва дигар усулҳои қаблӣ муқоиса мешавад. Илова бар ин, барои фаҳмидани он ки модел аз кадом ҷузъҳо то чӣ андоза баҳра мегирад, таҳқиқоти ablation анҷом дода мешаванд. Дар ин доира модалиятҳо ҷудогона ё якҷо санҷида мешаванд; RGCN, Graph Transformer, канорҳои бисёрмодалӣ, канорҳои контекстӣ ва embedding-и гӯянда хориҷ карда шуда, тағйири иҷроиш мушоҳида мешавад.

Натиҷаҳо чиро нишон медиҳанд?

Натиҷаи аввал ин аст, ки CAHRGN дар ҳар се маҷмӯаи додаҳо иҷроиши қавӣ нишон медиҳад. Модел дар вазифаи шинохти эҳсосот дар гуфтугӯ аз бисёр усулҳои қаблӣ пеш мегузарад. Ин натиҷа нишон медиҳад, ки сохтори графии гетерогенӣ ва огоҳӣ аз контекст метавонанд барои шинохти эҳсосот муфид бошанд.

Натиҷаи дуюм ин аст, ки маълумоти матнӣ ҳамоно қавитарин манбаи ягона мебошад. Модалияти танҳо матн нисбат ба модалиятҳои садо ва тасвир иҷроиши баландтар медиҳад. Аммо беҳтарин натиҷа на танҳо бо матн, балки бо истифодаи якҷояи матн, садо ва тасвир ба даст меояд. Ин арзиши амалии равиши бисёрмодалиро дастгирӣ мекунад.

Натиҷаи сеюм аҳаммияти самти контекст аст. Суханҳои гузашта ва оянда набояд ба як тарз баррасӣ шаванд. Вақте модел контексти гузашта ва ояндаро бо навъҳои ҷудогонаи муносибат намояндагӣ мекунад, метавонад ҷараёни эҳсосии гуфтугӯро беҳтар дарёбад.

Натиҷаи чорум ин аст, ки маълумоти гӯянда ба шинохти эҳсосот саҳм мегузорад. Ҳангоми хориҷ кардани embedding-и гӯянда дақиқӣ коҳиш меёбад. Ин нишон медиҳад, ки тарзи ифодаи эҳсосот аз шахс ба шахс фарқ мекунад ва омӯхтани ин фарқият барои модел фоидаовар аст.

Натиҷаи панҷум ин аст, ки ҷузъҳои RGCN ва Graph Transformer якдигарро пурра мекунанд. RGCN навъҳои муносибат ва ҳамсоягии маҳаллии графро коркард мекунад, дар ҳоле ки Graph Transformer барои дарёфти контексти васеътар ва вобастагиҳои дур кумак мекунад. Якҷо шудани ин ду меъморӣ нисбат ба сохторҳои танҳо истифодашуда намояндагии қавитар тавлид мекунад.

Чаро ин муҳим аст?

Шинохти эҳсосот дар гуфтугӯ метавонад дар соҳаҳои гуногун, аз ҷумла хизматрасонии муштариён, технологияҳои таълимӣ, роботҳои иҷтимоӣ, таҳлили вохӯриҳои онлайн, арзёбии сифати call center ва ҳамкории инсон-компютер истифода шавад. Аммо дар ин соҳаҳо эътимоднокӣ ва ҳассосияти ахлоқӣ аҳаммияти ҳалкунанда доранд. Эҳсоси инсонро наметавон ба як калима, ифодаи чеҳра ё оҳанги овоз маҳдуд кард.

Ин таҳқиқ барои низомҳои шинохти эҳсосоти контекстноктар ва бисёрканалӣ самти муҳим нишон медиҳад. Барои фаҳмидани он ки шахс чӣ эҳсос дорад, бояд на танҳо ба калимаи гуфташуда, балки ба ҷойи он дар ҷараёни гуфтугӯ, ҷумлаҳои пешина ва баъдӣ, тарзи гӯянда ва тарзи дастгирии мутақобилаи модалиятҳои гуногун назар кард.

Сохтори графии модел низ муҳим аст. Гуфтугӯ на ҳамчун силсилаи ҳамвори матн, балки ҳамчун шабакае аз одамон, вақт, модалиятҳо ва муносибатҳо баррасӣ мешавад. Ин равиш метавонад ба моделсозии бештар релятсионӣ ва контекстии муоширати инсон аз ҷониби зеҳни сунъӣ саҳм гузорад.

Аммо истифодаи чунин низомҳо дар ҷаҳони воқеӣ эҳтиёт талаб мекунад. Моделҳои шинохти эҳсосот метавонанд пешгӯии хато кунанд, фарқиятҳои фарҳангиро аз назар гузаронанд, тарзи инфиродии баёнро нодуруст тафсир кунанд ё мушкилоти махфияти маълумоти шахсиро ба вуҷуд оранд. Аз ин рӯ, чунин моделҳо бояд ҳамчун абзори дастгирии қарор баррасӣ шаванд, на ҳамчун низомҳои қатъие, ки инсонро худкор тамғагузорӣ мекунанд.

Нуктаҳои эҳтиётӣ

Нуктаи аввал ин аст, ки таҳқиқ preprint мебошад. Азбаски он аз арзёбии ҳамтоён нагузаштааст, иҷроиши модел, тавсифи усулҳо ва иддаоҳо метавонанд баъдтар тағйир ёбанд. Натиҷаҳо бояд бо эҳтиёт ва муқоисавӣ хонда шаванд.

Нуктаи дуюм маҳдудияти маҷмӯаи додаҳо мебошад. Маҷмӯаҳои додаҳо ба монанди IEMOCAP ва MELD барои таҳқиқ арзишманданд, аммо гуфтугӯҳои воқеӣ хеле мураккабтар, пурғавғотар, аз ҷиҳати фарҳангӣ гуногунтар ва бештар вобаста ба контекст мебошанд. Муваффақият дар муҳити лабораторӣ ё маҷмӯаи додаҳои таҳияшуда мустақиман ба муваффақияти ҷаҳони воқеӣ баробар нест.

Нуктаи сеюм табиати тамғаҳои эҳсосот аст. Эҳсосот аксаран ба синфҳои қатъӣ ҷудо намешаванд. Инсон метавонад ҳамзамон ҳам ғамгин ва ҳам хашмгин бошад; кинояомез сухан гӯяд; эҳсосоти худро пинҳон кунад; ё онро вобаста ба фарҳанг ба тарзи дигар ифода намояд. Аз ин рӯ, низомҳои таснифи эҳсосот бояд ҳамеша бо ҳиссаи номуайянӣ арзёбӣ шаванд.

Нуктаи чоруми эҳтиётӣ маълумоти гӯянда ва махфият аст. Истифодаи ҳувияти гӯянда метавонад иҷроиши моделро беҳтар кунад, вале аз ҷиҳати маълумоти шахсӣ ва истифодаи ахлоқӣ эҳтиёт мехоҳад. Маълумоте чун профили гӯянда, тамоюли эҳсосот ё тарзи баён метавонад хусусияти маълумоти ҳассос пайдо кунад.

Ниҳоят, ин мундариҷа маслиҳати психологӣ ё арзёбии клиникӣ нест. Натиҷаҳои шинохти эҳсосот бар пояи зеҳни сунъӣ набояд барои тафсири қатъии рафтори инсон ба танҳоӣ истифода шаванд.

Хулоса

Ин таҳқиқ нишон медиҳад, ки шинохти эҳсосот дар гуфтугӯ танҳо масъалаи таснифи калима нест. Эҳсосот сигнали мураккаби муошират аст, ки матн, садо, тасвир, ҳувияти гӯянда ва контексти замонӣ якҷо онро шакл медиҳанд.

Модели CAHRGN бо намояндагӣ кардани ин мураккабӣ дар сохтори графӣ равиши муҳим пешниҳод мекунад. Он ҳар воҳиди гуфтугӯро бо гиреҳҳои матн, садо ва тасвир баррасӣ карда, муносибатҳои модалиятҳои дохили ҳамон сухан, контексти гузашта ва оянда, маълумоти гӯянда ва вобастагиҳои дурро якҷо коркард мекунад. Натиҷаҳои озмоишӣ нишон медиҳанд, ки ин тарҳ метавонад нисбат ба усулҳои мавҷуда иҷроиши қавитар таъмин кунад.

Аз дидгоҳи Verianla паёми асосии таҳқиқ чунин аст: Барои он ки зеҳни сунъӣ эҳсосоти инсонро беҳтар дарк кунад, танҳо модели калонтар не, балки меъмории дурусттари контекст лозим аст. Эҳсосот дар як ҷумлаи ягона не, балки дар ҷараёни гуфтугӯ, тарзи гӯянда ва муносибатҳои байни матн-садо-тасвир пайдо мешавад.

Ёддошт оид ба манбаъ ва усул

Ин мундариҷа бар асоси таҳқиқоти preprint бо унвони “CAHRGN: a Context-Aware Heterogeneous Relational Graph Network for Multimodal Emotion Recognition in Conversation”, ки аз ҷониби Yuling Ren, Junpeng Bao, Kaiyu He, Tingyu Li ва Jiangjiang Zhao омода шудааст, таҳия гардидааст. Таҳқиқ модели CAHRGN-ро пешниҳод мекунад, ки шинохти бисёрмодалии эҳсосот дар гуфтугӯ, шабакаҳои графии релятсионии гетерогенӣ, embedding-и гӯянда, RGCN ва меъмориҳои Graph Transformer-ро муттаҳид менамояд.

Ин мундариҷа тарҷумаи таҳтуллафзӣ нест; андешаи асосии таҳқиқ мутобиқ ба хати нашрии Verianla содда карда шуда, ба мақолаи аслии таҳририи тоҷикӣ табдил дода шудааст.