一种基于因果感知交互网络的对话情绪识别方法技术

一种基于因果感知交互网络的对话情绪识别方法，涉及情绪识别技术领域，针对现有技术中对话情绪识别的准确率低的问题，本申请提出了一种基于因果感知交互网络的对话情绪识别方法，用于对话情绪识别。更具体地说，本申请探索了在识别目标语句的情绪时，将情绪原因纳入考虑的有效性。常识知识作为因果线索被利用，以帮助自动提取因果关系，缓解因缺乏情感原因注释而带来的限制。然后，本申请设计了包括因果线索检索和因果语句回溯在内的两步因果感知交互，以检测与目标语句相关的自身和他人间情绪原因。由此获得了具有因果感知的上下文表述，用于情绪识别。在三个基准数据集上的实验结果证明了所提出的CauAIN的有效性及其检测准确情绪原因的能力。准确情绪原因的能力。准确情绪原因的能力。

【技术实现步骤摘要】
一种基于因果感知交互网络的对话情绪识别方法


[0001]本专利技术涉及情绪识别
，具体为一种基于因果感知交互网络的对话情绪识别方法。

技术介绍

[0002]对话情绪识别(Emotion Recognition in Conversations,ERC)旨在预测对话中每条语句的情绪标签。由于其在实现共情系统方面的关键作用以及在意见挖掘、社交媒体分析、医疗保健和其他领域的广泛应用，ERC在自然语言处理(NLP)界受到越来越多的关注。
[0003]ERC的关键挑战在于对话中的情绪动态变化，它指的是说话人之间交互过程中的情绪影响。早期的研究已经致力于应对这一挑战，其用用循环神经网络(Recurrent Neural Network,RNN)和图神经网络(Graph Neural Network,GNN)来模拟说话者自身和之间的依赖关系。
[0004]然而，这种对说话人自身和说话人之间的依赖性建模的尝试在捕捉更深层次和更丰富的情绪动态线索方面是有限的，原因是忽略了确切地触发目标情绪的情绪原因。因此，现有技术中对话情绪识别的准确率并不高。

技术实现思路

[0005]本专利技术的目的是：针对现有技术中对话情绪识别的准确率低的问题，提出一种基于因果感知交互网络的对话情绪识别方法。
[0006]本专利技术为了解决上述技术问题采取的技术方案是：一种基于因果感知交互网络的对话情绪识别方法，包括以下步骤：
[0007]步骤一：获取待识别的对话语料；
[0008]步骤二：将待识别的对话语料中的语句分别输入RoBERTa预训练语言模型和COMET常识知识生成模型；
[0009]输入RoBERTa预训练语言模型得到语句的语义表示向量c
i
；
[0010]输入COMET常识知识生成模型得到自身因果线索向量和他人因果线索向量；
[0011]步骤三：将语句的语义表示向量经过前向的语境和后向的语境进行建模，得到表示语句上下文语义信息的隐藏向量h
i
；
[0012]步骤四：将自身因果线索向量和他人因果线索向量分别经过线性特征整合，然后分别与隐藏向量进行拼接，得到自身因果隐藏向量和他人因果隐藏向量；
[0013]步骤五：将隐藏向量h
i
与自身因果隐藏向量和他人因果隐藏向量进行点积运算，得到一个联合的因果线索检索结果
[0014]步骤六：将联合的因果线索检索结果根据说话人自身的轮次和对方的轮次拆分成两部分，然后将拆分后的两部分分别与表示语句上下文语义信息的隐藏向量h
i
进行乘积，然后将两个乘积结果进行加和得到因果语句回溯过程的结果，即具有因果意识的语
句表示向量
[0015]步骤七：基于步骤六中拆分后的两部分，将根据说话人自身的轮次拆分的结果与自身因果隐藏向量进行乘积，将根据对方的轮次拆分的结果与他人因果隐藏向量进行乘积，最后将两个乘积结果进行加和得到融入因果线索中包含的情感信息
[0016]步骤八：将具有因果意识的语句表示向量和融入因果线索中包含的情感信息进行拼接，得到拼接后的结果然后将进行特征维度的整合，得到情感分类结果
[0017]进一步的，所述语句的语义表示向量c
i
表示为：
[0018]c
i
＝RoBERTa([CLS],w1,w2,
…
,w
L
)
[0019]其中，d
m
是RoBERTa中向量的隐藏状态的维度，w1,w2,
…
,w
L
表示语料，[CLS]表示语料的开始部分设置的标记。
[0020]进一步的，所述表示语句上下文语义信息的隐藏向量h
i
表示为：
[0021]h
i
＝GRU(c
i
,h
i
‑1)
[0022]其中，GRU表示双向门控循环单元，d
h
是GRU单元输出的维度，h
i
‑1表示上一时间步骤的隐藏向量。
[0023]进一步的，所述联合的因果线索检索结果表示为：
[0024][0025][0026][0027][0028][0029]其中，表示自身因果线索检索得分，表示他人因果线索检索得分，h
j
表示第j条对话语句的隐藏向量，表示第j条对话语句对应的他人因果线索向量，表示第j条对话语句对应的自身因果线索向量，表示第i条对话语句隐藏向量和第j条对话语句隐藏向量之间是否要进行他人因果线索检索点积运算操作，表示第i条对话语句隐藏向量和第j条对话语句隐藏向量之间是否要进行自身因果线索检索点积运算操作，1表示进行，0表示不进行，f
q
(
·
),f
k
(
·
)和f
e
(
·
)都表示线性变换，φ表示对话语句与对应说话人的映射。
[0030]进一步的，所述具有因果意识的语句表示向量表示为：
[0031][0032]其中，表示自身因果线索检索结果，表示他人因果线索检索结果，S(i)是与语句u
i
相同的说话人的语句集合，O(i)代表说话人与语句u
i
不同的语句集合。
[0033]进一步的，所述融入因果线索中包含的情感信息表示为：
[0034][0035]其中，表示自身因果线索中的情感信息，表示他人因果线索中的情感信息。
[0036]进一步的，所述表示为：
[0037][0038]其中，f
k
(
·
)是一个线性变换。
[0039]进一步的，所述表示为：
[0040][0041]进一步的，所述拼接后的结果表示为：
[0042][0043]进一步的，所述情感分类结果表示为：
[0044][0045]其中，W
e
和b
e
表示可学习的参数，h
f
表示由拼接后的结果组成的一组向量。
[0046]本专利技术的有益效果是：
[0047]本申请为了捕捉更深层次和更丰富的情感动态线索，并明确建立说话人自身和说话人之间的依赖关系，提出了一种基于因果感知交互网络的对话情绪识别方法，用于对话情绪识别。更具体地说，本申请探索了在识别目标语句的情绪时，将情绪原因纳入考虑的有效性。常识知识作为因果线索被利用，以帮助自动提取因果关系，缓解因缺乏情感原因注释而带来的限制。然后，本申请设计了包括因果线索检索和因果语句回溯在内的两步因果感知交互，以检测与目标语句相关的自身和他人间情绪原因。由此获得了具有因果感知的上下文表述，用于情绪识别。在三个基准数据集上的实验结果证明了所提出的CauAIN的有效性及其检测准确情绪原因的能力。
附图说明
[0048]图1为本申请的整体流程图。
具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于因果感知交互网络的对话情绪识别方法，其特征在于包括以下步骤：步骤一：获取待识别的对话语料；步骤二：将待识别的对话语料中的语句分别输入RoBERTa预训练语言模型和COMET常识知识生成模型；输入RoBERTa预训练语言模型得到语句的语义表示向量c
i
；输入COMET常识知识生成模型得到自身因果线索向量和他人因果线索向量；步骤三：将语句的语义表示向量经过前向的语境和后向的语境进行建模，得到表示语句上下文语义信息的隐藏向量h
i
；步骤四：将自身因果线索向量和他人因果线索向量分别经过线性特征整合，然后分别与隐藏向量进行拼接，得到自身因果隐藏向量和他人因果隐藏向量；步骤五：将隐藏向量h
i
与自身因果隐藏向量和他人因果隐藏向量进行点积运算，得到一个联合的因果线索检索结果步骤六：将联合的因果线索检索结果根据说话人自身的轮次和对方的轮次拆分成两部分，然后将拆分后的两部分分别与表示语句上下文语义信息的隐藏向量h
i
进行乘积，然后将两个乘积结果进行加和得到因果语句回溯过程的结果，即具有因果意识的语句表示向量步骤七：基于步骤六中拆分后的两部分，将根据说话人自身的轮次拆分的结果与自身因果隐藏向量进行乘积，将根据对方的轮次拆分的结果与他人因果隐藏向量进行乘积，最后将两个乘积结果进行加和得到融入因果线索中包含的情感信息步骤八：将具有因果意识的语句表示向量和融入因果线索中包含的情感信息进行拼接，得到拼接后的结果然后将进行特征维度的整合，得到情感分类结果2.根据权利要求1所述的一种基于因果感知交互网络的对话情绪识别方法，其特征在于所述语句的语义表示向量c
i
表示为：c
i
＝RoBERTa([CLS],w1，w2，
…
，w
L
)其中，d
m
是RoBERTa中向量的隐藏状态的维度，w1，w2，
…
，w
L
表示语料，[CLS]表示语料的开始部分设置的标记。3.根据权利要求2所述的一种基于因果感知交互网络的对话情绪识别方法，其特征在于所述表示语句上下文语义信息的隐藏向量h
i
表示为：h
i
＝GRU(c
i
,h
i
‑1...

【专利技术属性】
技术研发人员：赵妍妍，赵伟翔，秦兵，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：