文本情绪分析是自然语言处理领域的一个重要研究方向,但是该任务仅关注情绪类别,属于比较浅层的情绪分析任务。而我们有时候更关心到底是什么原因导致了这些情感,由此衍生了更深层次的情绪分析任务:情绪原因抽取。然而,该任务存在一些问题:首先在抽取原因前必须提供情绪标注,这限制了该任务在实际场景中的应用;其次先提供情绪标注后抽取原因的方法忽略了情绪和原因之间的相互作用。为了解决这些问题,去年一个新的任务被提出:情绪-原因对抽取。本文面向新闻文本,主要对两个任务展开了一系列的探索和研究:1.情绪原因抽取任务,旨在发现文档中某种特定情绪表达背后潜在的原因。之前的大多数工作将其视为独立的子句分类问题,忽略了文档中子句之间的联系。本文提出了一个基于RNN-Transformer的层次网络,对文档中的子句同时进行编码和分类,这是Transformer首次用于解决该任务,实验证明了学习子句之间相关性的重要性。此外,本文将相对位置和全局预测信息编码到Transformer框架中,用来捕捉子句之间的因果关系并获得了额外的性能提升。2.情绪-原因对抽取任务,在不提供情绪标注的情况下,直接抽取出文档中潜在的情绪以及其相应的原因。以前的工作采用两步走的框架来解决这一问题,但该方法不是一个端到端的模型,每一步都可能存在信息的丢失。本文将该任务定义为多标签分类问题,创建了一个一步走模型,以一种端到端的方法直接抽取情绪-原因对。此外,根据多标签定义的特点,本文设计了两个辅助任务,进一步提升了模型的性能。