TCDA: Thread-beschränktes, diskursbewusstes Modellieren für die konversationelle Analyse von Sentiment-Quadrupeln

TCDA: Thread-Constrained Discourse-Aware Modeling for Conversational Sentiment Quadruple Analysis

May 3, 2026

Autoren: Xinran Li, Xinze Che, Yifan Lyu, Zhiqi Huang, Xiujuan Xu

cs.AI

Zusammenfassung

Die konversationelle aspektbasierte Sentiment-Vierfachanalyse (DiaASQ) muss die komplexen Wechselbeziehungen in mehrrundigen Dialogen erfassen. Bestehende Methoden verwenden üblicherweise einfache Graph Convolutional Networks (GCN), die strukturelles Rauschen einführen und die zeitliche Abfolge der Dialoge nicht berücksichtigen, oder nutzen standardmäßiges RoPE, das relative Abstände implizit in einer flachen Sequenz erfasst, jedoch die token-basierte syntaktische Ordnung nicht klar von der äußerungsbasierten Abfolge trennen kann und unter dem Problem der Distanzverdünnung leiden kann. Um diese Probleme zu adressieren, schlagen wir ein neues Framework vor, das Thread-beschränkte gerichtete azyklische Graphen (TC-DAG) und diskursbewusste Rotary Position Embeddings (D-RoPE) kombiniert. Konkret filtert TC-DAG Cross-Thread-Rauschen basierend auf Thread-Beschränkungen heraus, erhält globale Konnektivität durch Root-Verankerung aufrecht und integriert die zeitliche Abfolge der Dialoge. D-RoPE synchronisiert Mehrschichtensemantik mittels Dual-Stream-Projektion und multiskaliger Frequenzsignale, erfasst Thread-Abhängigkeiten unter Verwendung baumartiger Distanzen und mildert das Problem der token-basierten Distanzverdünnung durch Einbeziehung äußerungsbasierter Fortschritte. Experimentelle Ergebnisse auf zwei Benchmark-Datensätzen belegen, dass unser Framework state-of-the-art Leistung erzielt.

English

Conversational Aspect-based Sentiment Quadruple Analysis (DiaASQ) needs to capture the complex interrelationships in multiple rounds of dialogues. Existing methods usually employ simple Graph Convolutional Networks (GCN), which introduce structural noise and fail to consider the temporal sequence of the dialogues, or use standard RoPE, which implicitly captures relative distances in a flat sequence but cannot clearly separate the token-level syntactic order from the utterance-level progression, and may suffer from the Distance Dilution problem. To address these issues, we propose a new framework that combines Thread-Constrained Directed Acyclic Graph (TC-DAG) and Discourse-Aware Rotary Position Embedding (D-RoPE). Specifically, TC-DAG filters out cross-thread noise based on thread constraints, maintains global connectivity through root anchoring, and incorporates the temporal sequence of the dialogues. D-RoPE aligns multi-layer semantics using dual-stream projection and multi-scale frequency signals, captures thread dependencies using tree-like distances, and alleviates the token-level Distance Dilution problem by incorporating utterance-level progressions. Experimental results on two benchmark datasets demonstrate that our framework achieves state-of-the-art performance.