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 2021-06-28 及时行樂_

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

1. 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。
2. 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。
3. 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。