基于人物性格动态建模的对话情感识别方法及系统技术方案

本公开提供了一种基于人物性格动态建模的对话情感识别方法及系统，包括：获取待情感识别的历史会话，并提取每个话语的特征向量；基于提取的特征向量，分别获取每个话语对应的全局上下文表示以及个体上下文表示；基于每个话语的全局上下文表示以及群体性格中每句话的关注度权重，获得历史会话中对话人的群体性格特征；基于每个话语的个体上下文表示以及个体性格中每句话的关注度权重，获得历史会话中对话人的个体性格特征；将获得的群体性格特征以及个体性格特征融入到话语表示中，获得经群体性格参与的话语表示以及经个体性格参与的话语表示；基于获得的话语表示以及初始的上下文表示的融合特征，利用多层感知机获得每个话语的情感标签

【技术实现步骤摘要】
基于人物性格动态建模的对话情感识别方法及系统


[0001]本公开属于情感识别
，尤其涉及一种基于人物性格动态建模的对话情感识别方法及系统
。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术
。
[0003]情绪是一种人类重要的生物属性，而对话则是这种属性表达的常见载体，对话中的情绪识别旨在识别出对话中每一句话背后隐藏的个人情感
。
这是一个极具挑战性的任务，随着智能设备的发展与对话场景的增多，这项任务得到了越来越多研究人员的关注
。
然而话语中的情绪识别不同于常规的文本情感识别，在文本情感识别中，仅需要考虑所出现的文本内容；而对话作为一种社交形式，不同的个体在情绪表达方式天然具有差异，相似的文本内容在不同的个体上则会产生差异的情感表达，从而导致难以正确分辨话语情感
。
这种话语情感上的差异性表现很大程度上是受到一个人的固定行为模式和个人特质的影响，这类影响方式在心理学上归结为性格因素
。
然而在最近的工作中，许多方法忽略了性格对话语情感表达的作用
。
大多数方法将目标集中在上下文背景信息的获取上，
Ghosa l
等人首先提出了
Dia logueGCN
模型，该模型应用图卷积网络
(GCN)
来捕获对话中的远程上下文信息，
Dia logueGCN
将每个话语作为一个节点，并连接会话中同一窗口中的任何节点
。
而
Hu
等人在多模态话语间建立的一个全连通图，使用深度图卷积对表示更新，
Shen
等人则根据不同的对话人建立图结构，并在图融合过程中使用了循环神经网络的思想取得了优异的效果
。Li
等人在图的融合过程中，利用动态融合的方式避免产生信息冗余，实现了对话中的多模态信息互补，
Sun
等人通过利用话语间的语篇结构建立更有解释性的图网络，直接获取远程上下文
。
而话语的上下文背景信息除了本身的文本之外，话语中所蕴含的外部知识也包含了许多情感信息，如
Ghosa l
等人提取话语的常识信息并融入到对话中提升性能，
Li
等人则是在知识的融入过程中改进了图结构中边的信息
。Xie
等人则采用了更加细粒度的外部知识对话语内容进行补充
。
[0004]专利技术人发现，虽然上下文语境信息尤为重要，但是在真实的对话场景中，即使在相似的谈话背景与文本信息下，也会由于谈话的人不同而产生不同的情感表现
。
而无论是基于循环神经网络的方法或是利用了图结构的建模方式，均无法从话语中获取谈话人的性格特征，导致话语情感识别的准确性与可解释性受到限制
。
如图1所示，根据上下文语境可知其中的女性角色遭遇了不公正待遇而被辞退，而男性角色对这种结果表示不满
。
然而这种上下文背景下我们仍很难判断男女双方具体的情绪是怎样的，即我们在无法获得双方性格的前提下，难以依据话语的文本内容判断说话人对某件事情的具体看法与情绪表达
。

技术实现思路

[0005]本公开为了解决上述问题，提供了一种基于人物性格动态建模的对话情感识别方
法及系统，所述方案通过历史会话，利用所提出的性格提取模块，建立起在该段对话中参与者的群体性格与个体性格，并根据对话的进行不断更新群体性格与个体性格的特征；同时，在每句话的情感表示中，将性格因素通过所提出的性格参与模块，对话语的情感表达倾向产生影响，并且整个过程中，将堆叠性格提取模块与性格参与模块，使性格特征与会话表示进行分层更新，实现了更具有解释性的会话情感识别与更精准的情感分类效果
。
[0006]根据本公开实施例的第一个方面，提供了一种基于人物性格动态建模的对话情感识别方法，包括：
[0007]获取待情感识别的历史会话，并提取历史会话中每个话语的特征向量；
[0008]基于提取的历史会话中每个话语的特征向量，分别获取当前历史会话中每个话语对应的全局上下文表示以及个体上下文表示；
[0009]基于每个话语的全局上下文表示以及群体性格中每句话的关注度权重，获得历史会话中对话人的群体性格特征；基于每个话语的个体上下文表示以及个体性格中每句话的关注度权重，获得历史会话中对话人的个体性格特征；
[0010]将获得的群体性格特征以及个体性格特征融入到话语表示中，获得经群体性格参与的话语表示以及经个体性格参与的话语表示；
[0011]基于经群体性格参与的话语表示
、
初始的全局上下文表示
、
经个体性格参与的话语表示以及初始的个体上下文表示的融合特征，利用多层感知机获得每个话语的情感标签
。
[0012]进一步的，所述分别获取当前历史会话中每个话语对应的全局上下文表示以及个体上下文表示，具体为：分别利用两个预先训练的双向长短时记忆网络分别建模全局话语顺序依赖关系与个体话语顺序依赖关系，其中，所述全局话语顺序依赖关系的建模，所述双向长短时记忆网络的输入为历史会话中每个话语的文本特征；所述个体话语顺序依赖关系的建模，所述双向长短时记忆网络的输入为同一说话人相邻话语的文本特征
。
[0013]进一步的，所述每句话的关注度权重的获取，具体为：
[0014]群体性格中每句话的关注度权重，采用如下计算公式：
[0015][0016]其中，为上一层每个话语的全局上下文表示，和是训练参数，
i,j∈[0,t
‑
1]，表示
t
时刻前的所有话语；为第
l
迭代层中
t
‑1时刻群体性格的隐藏表示，
D
h
与
D
g
均表示向量维度；
[0017]个体性格中每句话的关注度权重，采用如下计算公式：
[0018][0019]其中，为上一层每个话语的对话者级上下文表示，为第
l
迭代层中
t
‑1时刻个体性格的隐藏表示，和是训练参数，
D
h
与
D
g
均表示向量维度
。
[0020]进一步的，所述提取历史会话中每个话语的特征向量，具体采用预训练语言模型
RoBERTa
模型进行特征提取
。
[0021]进一步的，所述将获得的群体性格特征以及个体性格特征融入到话语表示中，获得经群体性格参与的话语表示以及经个体性格参与的话语表示，具体为：基于门控循环单
元的更新与重置机制将群体性格特征以及个体性格特征融入到话语表示中
。
[0022]进一步的，所述将获得的群体性格特征融入到话语表示中，具体为：
[0023]根据当前的输入话本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人物性格动态建模的对话情感识别方法，其特征在于，包括：获取待情感识别的历史会话，并提取历史会话中每个话语的特征向量；基于提取的历史会话中每个话语的特征向量，分别获取当前历史会话中每个话语对应的全局上下文表示以及个体上下文表示；基于每个话语的全局上下文表示以及群体性格中每句话的关注度权重，获得历史会话中对话人的群体性格特征；基于每个话语的个体上下文表示以及个体性格中每句话的关注度权重，获得历史会话中对话人的个体性格特征；将获得的群体性格特征以及个体性格特征融入到话语表示中，获得经群体性格参与的话语表示以及经个体性格参与的话语表示；基于经群体性格参与的话语表示
、
初始的全局上下文表示
、
经个体性格参与的话语表示以及初始的个体上下文表示的融合特征，利用多层感知机获得每个话语的情感标签
。2.
如权利要求1所述的一种基于人物性格动态建模的对话情感识别方法，其特征在于，所述分别获取当前历史会话中每个话语对应的全局上下文表示以及个体上下文表示，具体为：分别利用两个预先训练的双向长短时记忆网络分别建模全局话语顺序依赖关系与个体话语顺序依赖关系，其中，所述全局话语顺序依赖关系的建模，所述双向长短时记忆网络的输入为历史会话中每个话语的文本特征；所述个体话语顺序依赖关系的建模，所述双向长短时记忆网络的输入为同一说话人相邻话语的文本特征
。3.
如权利要求1所述的一种基于人物性格动态建模的对话情感识别方法，其特征在于，所述每句话的关注度权重的获取，具体为：群体性格中每句话的关注度权重，采用如下计算公式：其中，为上一层每个话语的全局上下文表示，和是训练参数，
i,j∈[0,t
‑
1]
，表示
t
时刻前的所有话语；为第
l
迭代层中
t
‑1时刻群体性格的隐藏表示，
D
h
与
D
g
均表示向量维度；个体性格中每句话的关注度权重，采用如下计算公式：其中，为上一层每个话语的对话者级上下文表示，为第
l
迭代层中
t
‑1时刻个体性格的隐藏表示，和是训练参数，
D
h
与
D
g
均表示向量维度
。4.
如权利要求1所述的一种基于人物性格动态建模的对话情感识别方法，其特征在于，所述提取历史会话中每个话语的特征向量，具体采用预训练语言模型
RoBERTa
模型进行特征提取
。5.
如权利要求1所述的一种基于人物性格动态建模的对话情感识别方法，其特征在于，所述将获得的群体性格特征以及个体性格特征融入到话语表示中，获得经群体性格参与的话语表示以及经个体性格参与的话语表示，具体为：基于门控循环单元的更新与重置机制将群体性格特征以及个体性格特征融入到话语表示中

【专利技术属性】
技术研发人员：杨振宇，李晓阳，李治军，黄彦，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：