论文泛读130SEOVER:基于句子级情感取向向量的会话情感识别模型
Posted 及时行樂_
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了论文泛读130SEOVER:基于句子级情感取向向量的会话情感识别模型相关的知识,希望对你有一定的参考价值。
贴一下汇总贴:论文阅读记录
论文链接:《SEOVER: Sentence-level Emotion Orientation Vector based Conversation Emotion Recognition Model》
一、摘要
对于会话情感识别的任务,最近的工作侧重于说话人关系建模,但忽略了话语情感这儿有个超链接 的作用在本文中,我们提出了一种新的句子级情感取向向量表达范式,以模拟句子向量之间情感的潜在相关性。在此基础上,我们设计了一种情感识别模型,从语言模型中提取句子级情感取向向量,并从对话情感分析模型中联合学习,提取句子级情感取向向量来识别说话人在对话过程中的情感取向。 . 我们在两个基准数据集上进行了实验,并将它们与五个基线模型进行了比较。实验结果表明,我们的模型在所有数据集上都有更好的性能。
二、结论
本文提出了一种新的句子级情感定向向量(SEOV)范式来辅助情感识别,解决了传统情感定向方法在语篇表征信息丢失的问题。然后,设计了基于SEOV的会话情感识别模型SEOVER。该算法利用Transformer-emo模型对包含情感倾向信息的句子向量和情感向量进行编码,并将其融合为SEOV。然后,利用SEOV作为输入激活最终的对话情绪分析模型,对说话人的情绪进行分类。我们在MELD和IEMOCAP数据集上用几个基准测试对该建议进行了比较实验。实验结果表明,所提出的SEOVER算法具有较好的性能。
三、模型
- 我们提出了一种新的情感特征提取范式,即句子级情感倾向向量(SEOV)来表征句子间情感的潜在趋势和相关性。
- 在此基础上,我们设计了相应的基于SEOV的情感识别模型(SEOVER),包括对说话人潜在情感的编码和解码过程。
- 我们比较了3种会话情感识别模型(RNN、GCN和LSTM)作为第二级微调情感识别模型,以证明所提出的SEOV特征提取的准确性。然后,在IEMOCAP (Busso et al. 2008)和MELD (Poria et al. 2019)数据集上进行对比实验。结果表明,与先进的CER算法(dialguernn, dialguegcn, DialogXL, TRMSM, bc-LSTM和BERT)相比,我们的方案具有更好的性能。
SEOV原理图:
模型架构:
SEOV对每个向量上的不同情绪水平进行了映射,并以“方向”反映了SEOV之间的情绪倾向。
设计了一个新的基于SEOVs的会话情感识别模型,称为SEOVER。在该模型中,句子级编码器首先通过transformeremo将输入数据映射到句子向量中;然后利用PCA算法提取句子向量的情感,得到压缩后的情感向量。然后,将句子向量与压缩情感向量相融合,构造SEOV。最后,将SEOV输入到DSAM中获取上下文信息,从而得到情感分类结果。
以上是关于论文泛读130SEOVER:基于句子级情感取向向量的会话情感识别模型的主要内容,如果未能解决你的问题,请参考以下文章
论文泛读195PGCD:用于基于方面的情感分析的位置引导贡献分布单元
论文泛读195PGCD:用于基于方面的情感分析的位置引导贡献分布单元
论文泛读198通过输入空间转换利用 BERT 进行多模态目标情感分类