TCDA : Modélisation contextuelle contrainte par les fils de discussion pour l'analyse de quadruples de sentiment en conversation
TCDA: Thread-Constrained Discourse-Aware Modeling for Conversational Sentiment Quadruple Analysis
May 3, 2026
Auteurs: Xinran Li, Xinze Che, Yifan Lyu, Zhiqi Huang, Xiujuan Xu
cs.AI
Résumé
L'analyse de quadruples d'aspects sentimentaux en conversation (DiaASQ) doit capturer les interrelations complexes dans les dialogues multi-tours. Les méthodes existantes utilisent généralement des réseaux de convolution graphique (GCN) simples, qui introduisent du bruit structurel et ne prennent pas en compte la séquence temporelle des dialogues, ou emploient le RoPE standard, qui capture implicitement les distances relatives dans une séquence plate mais ne peut pas clairement séparer l'ordre syntaxique au niveau des tokens de la progression au niveau des énoncés, et peut souffrir du problème de dilution de distance. Pour résoudre ces problèmes, nous proposons un nouveau cadre combinant le graphe acyclique orienté à contrainte de fil (TC-DAG) et l'encodage positionnel rotatif sensible au discours (D-RoPE). Spécifiquement, le TC-DAG filtre le bruit inter-fils basé sur les contraintes de fil, maintient la connectivité globale via l'ancrage racine et intègre la séquence temporelle des dialogues. Le D-RoPE aligne les sémantiques multi-couches en utilisant une projection double flux et des signaux fréquentiels multi-échelles, capture les dépendances de fil avec des distances arborescentes et atténue le problème de dilution de distance au niveau token en incorporant les progressions au niveau des énoncés. Les résultats expérimentaux sur deux jeux de données de référence démontrent que notre cadre atteint des performances à l'état de l'art.
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.