.png){kind=icon}
返回
Dynamic cross-instance context mining for multimodal sentiment analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ipm.2026.104921.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多模态情感分析（MSA）中，上下文建模至关重要。现有方法主要依赖实例中心范式，侧重于单语料内的模态内依赖（优化单模态特征）和模态间交互（融合跨模态线索）。这种孤立方法未能利用跨实例语义相关性，导致模型易受局部模态噪声和不完整表达的影响。为弥合这一差距，我们提出DC2M框架，将关注点从静态单样本融合转向动态跨实例上下文挖掘。我们的技术亮点包括：(i) 自适应上下文挖掘模块（ACMM），通过检索语义锚点（top-K相关样本）捕捉跨实例情感演变，有效提升上下文信息增益；(ii) 异构特征融合模块（HFFM），优化样本内特征互补性。与将每个语料独立处理的传统模型不同，DC2M利用语义相关语料的跨实例上下文信息增强语料级情感预测。在CMU-MOSI和CMU-MOSEI基准上的实验表明，DC2M取得竞争性表现，Acc-2分别达89.33%和87.62%。值得注意的是，尽管架构轻量化程度更高，DC2M在Acc-7指标上仍超越微调后的Qwen-1.8B 3.31%和ChatGLM3-6B 0.77%。消融实验证实ACMM与HFFM协同提升上下文表示学习效果。
Keyword:
Multimodal sentiment analysis
Sentiment classification
Modality fusion
Deep learning
