一种基于多模态对话文本的情感识别方法技术

本发明专利技术提出了一种基于多模态对话文本的情感识别方法，属于自然语言处理领域；该方法包括：对话文本模型和用户属性情感特征2个独立的模块组成；对话文本模型是一种基于Bert

【技术实现步骤摘要】
一种基于多模态对话文本的情感识别方法


[0001]本专利技术涉及一种新的对话文本的情感识别方法，属于自然语言处理


技术介绍

[0002]对话情感识别是对带有情感倾向的文本对话特征进行分析与处理的一个过程，其本质上仍是一个文本分类任务，多标签的情感识别指一个文本输出不同类别的标签，目前，单句话语的情感分析已经取得了较高的正确率，但是对于对话的情感识别研究还较少，基于多轮的对话情感研究更少，对话文本情感分类可以用来分析社交媒体上的对话，不同于对单独普通句子的情感识别，它需要对单个句子的上下文建模，依赖于话语之间的时间序列，现阶段，识别用户情绪状态的对话情感识别任务主要分类两个方面：基于上下文的情感感知与基于用户信息的情感感知；
[0003]Poria等采用LSTM神经网络模型获取上下文信息，检测对话中说话者的情绪，但他们未考虑每条语句之间的依赖关系；针对这一问题，人们开始尝试使用多层级的循环神经网络来构建上下文信息，进行对话情感分析，提高了模型的泛化度，之后，研究者们结合用户的特征信息分析人们情绪状态的变化，Mairesse F等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明的目的是提供一种新的多模态的对话文本的情感识别方法，将用户的社会属性作为先验知识扩大输入的规模，进而构成多模态形式的对话情识别，该方法包括以下步骤：步骤一：提取文本对话独立特征，对话文本模型是一种基于Bert
‑
BiLSTM的情感分析模型，Bert模型具有良好的语义表达效果,能够在句子层次上构建向量，本文将对话最后一句的情感标签标签作为下文信息，在此之前内容作为上文信息，有效的结合上下文语境信息分析说话者的情感；接着将其向量表示输入到Bi
‑
LSTM模型中；步骤二：考虑结构化的说话者属性作为附加知识，构建多模态对话情感识别模型，提取用户属性情感特征，并对新属性计算相似性；步骤三：构建的Bert
‑
BiLSTM神经网络对对话文本进行上下文特征提取，结合用户属性的特征属性共同构成实验特征集，使用随机森林模型对混合特征分类。2.根据权利要求1所述的提取文本对话上下文信息，其特征在于：Bert模型具有良好的语义表达效果,能够在句子层次上构建向量，本文将对话最后一句的情感标签标签作为下文信息，在此之前内容作为上文信息，有效的结合上下文语境信息分析说话者的情感。3.根据权利要求1所述的提取文本对话独立特征，其特征在于：提取文本对话独立特征，对话文本模型是一种基于Bert
‑
BiLSTM的情感分析模型，Bert模型具有良好的语义表达效果,能够在句子层次上构建向量，本文将对话最后一句的情感标签标签作为下文信息，在此之前内容作为上文信息，有效的结合上下文语境信息分析说话者的情感；接着将其向量表示输入到Bi
‑
LSTM模型中：BERT(Bidirectional Encoder Representations from Transformer)模型，采用双向Transformer的结构进行编码，是Transformer模型的Encoder部分，主要通过查询字向量表将文本中的字转换为模型可识别的向量，在我们的模型中，首先在输入层输入训练数据，输入由一段对话的前m
‑
1句和最后一句的情感标签组成，能够提取多轮对话中的上下文交互信息，则数据输入格式为：x＝d1,d2,...,d
m
‑1,L
m
，对话文本的向量化表示主要是通过Transformer编码器而实现，将训练数据输入到双向Transformer编码器，就可以...

【专利技术属性】
技术研发人员：肖乐，段梦诗，李清，杨卫东，岳思雯，李家馨，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：