【技术实现步骤摘要】
一种多模态对话情感识别方法
[0001]本申请涉及对话情感识别方法,尤其涉及一种多模态对话情感识别方法,属于对话情感识别
技术介绍
[0002]随着人机交互和智能客服领域的快速发展,情感识别作为一项重要的技术被广泛关注和应用。如今,各种大型社交媒体时刻都在产生大量的对话数据,形式包括但不限于文本、音频和视频。对发表言论者的情感倾向进行研究在舆情分析、电子客服和医疗保健等领域都有重大的应用价值。因此,对多模态对话情感识别的研究越来越收到研究者和企业的重视。多模态对话情感识别与传统的孤立话语的单模态研究不同,它不但可以结合对话上下文挖掘话语潜在情感,而且同时考虑对话中的多种模态信息,如语音、文本、图像等,从而更准确地捕捉用户情感和需求。
[0003]在之前的研究中,研究者们提出了许多捕获对话上下文的模型。CMN采用了一种多模态方法,包括声学、视觉和文本特征,带有门控循环单位,建模每个说话者过去的话语。DialogueRNN使用不同的GRU单元来获取语境信息和说话人关系。它是第一个区分说话人的会话情感分析模型。DialogueGCN将会话构造为一个图,将语音情感分类问题转换为图的节点分类问题,并使用图卷积神经网络对结果进行分类。DialogueCRN引入认知阶段,从感知阶段检索的上下文中提取和整合情绪线索,用于上下文建模。这些模型有的只关注了对话的文本模态,忽略了其它模态的作用,有的没有对说话人信息进行建模从而丢失了部分对话上下文信息。MMGCN利用GCN网络获取语境信息,既能有效利用多模态依赖关系,又能 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种多模态对话情感识别方法,其特征在于,包括以下步骤:S1.使用不同的编码器对每轮对话的单模态数据进行编码,得到对话中每个模态的特征表示,包括以下步骤:S11.使用TextCNN提取句子文本的原始特征;S12.使用双向长短时记忆网络对句子文本序列初步建模,编码句子文本序列的长期依赖关系,学习句子序列中的上下文信息;其中,表示文本模态上下文无关的原始特征表示,表示表示上一句话语来自文本模态的高级特征表示,表示当前句话语来自文本模态的高级特征表示,表示下一句话语来自文本模态的高级特征表示;S13.OpenSmile工具包提取原始的声学特征;S14.使用在FER+语料库上预训练过的DenseNet模型来提取面部表情的原始特征;S15.采用全连接网络对语音和视觉模态原始特征进行建模;S15.采用全连接网络对语音和视觉模态原始特征进行建模;其中,表示来自语音模态的高级特征表示,表示训练的权重参数,表示声学模态上下文无关的原始特征表示,表示偏置参数,表示表示视觉模态的高级特征表示,表示训练的权重参数,表示偏置参数,表示视觉模态上下文无关的原始特征表示;S16.对说话人的特征进行编码并嵌入到原始特征中,原始的说话人特征表示成独热向量s
i
,说话人特征的嵌入S
i
的计算方式如式所示:其中,W
k
为可训练的权重参数,s
k
表示说话人特征的独热向量,b
k
为偏置参数;得到嵌入了说话人信息的原始特征,如下式所示:得到嵌入了说话人信息的原始特征,如下式所示:得到嵌入了说话人信息的原始特征,如下式所示:其中h
i
'
t
表示嵌入了说话人信息的原始特征,为不包含说话人特征嵌入的原始特征,S
k
表示当前句话语的说话人嵌入特征;S2.使用深度图卷积网络对一轮对话的上下文对话信息进行聚合;S3.将对话中的每句话交互后的文本模态、语音模态和视觉模态特征进行线性变换后进行模态间的特征融合;S4.基于辅助任务对每个模态的特征使用独立的分类器进行分类,使用主任务分类器对融合后的特征进行主任务情感分类,分别计算分类损失,最终模型损失由辅助任务和主任务损失进行加权计算;S5.将文本模态、语音模态和视觉模态的数据输入至主任务分类器中,输出情感类别。2.根据权利要求1所述的一种多模态对话情感识别方法,其特征在于,使用深度图卷积
网络对一轮对话的上下文对话信息进行聚合的方法是包括以下步骤:S21.设有N个话语的对话,每句话的文本模态、语音模态和视觉模态的数据分别表示为S22.对每句话的文本模态、语音模态和视觉模态使用图神经网络构图得到三个无向图G
t
=(V
t
,E
t
),G
a
=(V
a
,E
a
),G
v
=(V
v
,E
v
);其中,G
t
,G
a
,G
v
分别表示文本模态无向图、语音模态无向图和视觉模态无向图,V表示话语节点的集合,E表示每句话特征节点间的邻接关系的集合;S23.对所有话语的文本模态、语音模态和视觉模态使用图神经网络构图,对同一模态的所有样本数据,使每个样本节点都与其他样本节点相连接;S24.基于皮尔逊相关系数计算样本节点之间的相似性A
xy
:其中,x
i
和y
i
技术研发人员:王玉静,唐勇强,谢金宝,蒋雅冰,王玉龙,
申请(专利权)人:哈尔滨理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。