Resumen: El reconocimiento detallado de emociones tiene como objetivo identificar el tipo emocional en consultas a través de procesos de razonamiento y toma de decisiones, desempeñando un papel crucial en varios sistemas. Los métodos recientes utilizan el aprendizaje en contexto (ICL), mejorando la representación de consultas en el proceso de razonamiento a través de ejemplos semánticamente similares, al tiempo que mejoran aún más el reconocimiento de emociones al explicar los mecanismos de razonamiento. Sin embargo, estos métodos mejoran el proceso de razonamiento pero pasan por alto el proceso de toma de decisiones. Este artículo investiga la toma de decisiones en el reconocimiento detallado de emociones a través de la teoría de prototipos. Mostramos que ICL se basa en la coincidencia de similitud entre representaciones de consultas y prototipos emocionales dentro del modelo, donde las representaciones con precisión emocional son fundamentales. Sin embargo, los ejemplos semánticamente similares a menudo introducen discrepancias emocionales, lo que dificulta representaciones precisas y provoca errores. Para abordar esto, proponemos el aprendizaje de emociones en contexto (EICL), que introduce ejemplos emocionalmente similares y utiliza una estrategia dinámica de etiqueta suave para mejorar las representaciones de consultas en el proceso de razonamiento emocional. Luego se emplea una estrategia de exclusión de dos etapas para evaluar la similitud desde múltiples ángulos, optimizando aún más el proceso de toma de decisiones. Amplios experimentos muestran que EICL supera significativamente a ICL en múltiples conjuntos de datos.
Publicado originalmente en export.arxiv.org el 8 de octubre de 2025.
Ver fuente original
