2024年3月，研究生团队两篇论文获SIGIR 2024录用。SIGIR在中国计算机学会推荐会议列表中被列为A类会议，在信息检索及相关领域享有很高的学术声誉。会议将于2024年7月14-18日在美国华盛顿召开。

下面是论文的信息：

题目：Improving In-Context Learning via Sequentially Retrieval and Preference Alignment for Few-Shot ABSA

作者：王乾龙，丁可阳，罗璇，徐睿峰*

简介：本工作研究少样本方面级情感分析few-shot Aspect-Based Sentiment Analysis任务，并尝试用In-Context Learning（ICL）范式来解决。之前关于ICL的研究通常先基于某些标准对候选样例进行排序，随后独立地检索与测试样本相近的示例。然而，这种方法的效果可能会由于以下两个限制而受到影响：（1）上下文中示例信息的冗余；（2）检索器和LLM之间示例的Preference Misalignment。为了缓解这些局限性，本文提出了一种新的框架，能够顺序地检索上下文中的示例。该框架不仅评估哪些示例对测试样本更有益，还可以检索示例与已检索示例的信息重合。接着，通过利用LLM对检索到的上下文示例给予的反馈来优化参数，以缩小偏好差异。在四个ABSA数据集上的实验表明，所提出的框架的性能明显优于先前的检索方法。

题目：A Persona-Infused Cross-Task Graph Network for Multimodal Emotion Recognition with Emotion Shift Detection in Conversations

作者：涂耿，熊峰，梁斌，徐睿峰*

简介：多模态对话中的情绪识别（Multimodal Emotion Recognition in Conversations，MERC）研究侧重于多模态融合和说话人敏感的上下文建模。除了上下文信息外，说话人的个性也对情绪感知产生影响。然而，当前的MERC方法仅考虑了说话人自身个性的影响，而忽略了说话人与对话参与者交互过程中个性的影响。此外，MERC中的瓶颈问题，即情绪转变（Emotion Shift，ES），长期以来一直未受到足够重视。早期的ES检测研究未能区分不同的ES模式，而只是将转变是否发生的信息引入到MERC模型中，而且也没有考虑到这两个任务之间的互补性。基于此，论文提出了一种注入个性的跨任务图网络（Persona-infused Cross-task Graph Network，PCGNet）。首先通过注入个性的精炼网络来建模说话人与对话参与者之间的交互。然后，通过跨任务连接来学习辅助任务（即ES检测）和主要任务（即MERC），以捕捉这两个任务之间的相关性。最后，引入了句子对感知的监督对比学习来区分不同的ES模式。实验结果表明，PCGNet在两个广泛使用的数据集上优于强基线。

整体架构

审稿：徐睿峰

校正：王   丹