Voelen LLM's? Emotieherkenning aanleren via prompts, retrieval en curriculumleren

Do LLMs Feel? Teaching Emotion Recognition with Prompts, Retrieval, and Curriculum Learning

November 10, 2025

Auteurs: Xinran Li, Xiujuan Xu, Jiaqi Qiao, Yu Liu

cs.AI

Samenvatting

Emotieherkenning in conversaties (ERC) is een cruciale taak voor het begrijpen van menselijke emoties en het mogelijk maken van natuurlijke mens-computerinteractie. Hoewel grote taalmodel(len (LLM's) recentelijk groot potentieel hebben getoond op dit gebied, blijft hun vermogen om de intrinsieke verbanden tussen expliciete en impliciete emoties te vatten beperkt. Wij stellen een nieuw ERC-trainingsraamwerk voor, PRC-Emo, dat promptengineering, demonstratieretrieval en curriculumleren integreert, met als doel te onderzoeken of LLM's effectief emoties in conversationele contexten kunnen waarnemen. Specifiek ontwerpen we emotiegevoelige promptsjablonen gebaseerd op zowel expliciete als impliciete emotionele signalen om het model beter te begeleiden bij het begrijpen van de psychologische toestanden van de spreker. We construeren de eerste toegewijde demonstratieretrievalrepository voor ERC, die trainingsvoorbeelden bevat van veelgebruikte datasets, evenals hoogwaardige dialoogvoorbeelden gegenereerd door LLM's en handmatig geverifieerd. Bovendien introduceren we een curriculumleerstrategie in het LoRA-finetuningproces, waarbij gewogen emotionele verschuivingen tussen uitingen van dezelfde spreker en verschillende sprekers worden geïntegreerd om moeilijkheidsgraden aan dialoogvoorbeelden toe te kennen, die vervolgens in een van-makkelijk-naar-moeilijk trainingsvolgorde worden georganiseerd. Experimentele resultaten op twee benchmarkdatasets – IEMOCAP en MELD – tonen aan dat onze methode nieuwe state-of-the-art (SOTA) prestaties bereikt, wat de effectiviteit en generaliseerbaarheid van onze aanpak aantoont bij het verbeteren van op LLM gebaseerd emotiebegrip.

English

Emotion Recognition in Conversation (ERC) is a crucial task for understanding human emotions and enabling natural human-computer interaction. Although Large Language Models (LLMs) have recently shown great potential in this field, their ability to capture the intrinsic connections between explicit and implicit emotions remains limited. We propose a novel ERC training framework, PRC-Emo, which integrates Prompt engineering, demonstration Retrieval, and Curriculum learning, with the goal of exploring whether LLMs can effectively perceive emotions in conversational contexts. Specifically, we design emotion-sensitive prompt templates based on both explicit and implicit emotional cues to better guide the model in understanding the speaker's psychological states. We construct the first dedicated demonstration retrieval repository for ERC, which includes training samples from widely used datasets, as well as high-quality dialogue examples generated by LLMs and manually verified. Moreover, we introduce a curriculum learning strategy into the LoRA fine-tuning process, incorporating weighted emotional shifts between same-speaker and different-speaker utterances to assign difficulty levels to dialogue samples, which are then organized in an easy-to-hard training sequence. Experimental results on two benchmark datasets-- IEMOCAP and MELD --show that our method achieves new state-of-the-art (SOTA) performance, demonstrating the effectiveness and generalizability of our approach in improving LLM-based emotional understanding.