[发明专利]一种用于语音情感计算的无监督主动学习方法

说明书

本发明公开了一种用于语音情感计算的无监督主动学习方法，属于情感计算领域。相比于现有的用于语音情感计算的有监督主动学习方法需要已知少量真实标签并需要和人工专家多次交互，本发明通过多步迭代优化，每轮迭代依次优化待打标样本集S_c中的样本，每次只优化一个样本，每轮迭代中每个样本只优化一次，来选择少量最有价值的待打标样本，使得这些样本能够更好地代表样本集中的所有样本，不需要任何已知标签或现有回归模型，适用于完全无标签的语音数据集，也不需要与专家多次交互，可以一次性向专家提供所有待打标语音样本，限制条件更少，适用范围更广，使用更方便。

技术领域

本发明属于情感计算领域，更具体地，涉及一种用于语音情感计算的无监督主动学习方法。

背景技术

情感计算是一种通过计算机来自动识别人类情感的人工智能技术，语音情感计算是指，给计算机输入人们说的话，然后计算机对原始语音信号进行特征提取后，输入机器学习模型获得预测输出，再通过情感解码获取这句话中的情感。语音情感的编码一般是使用连续值来对情感的程度进行编码(例如用0-1表示平静到很愤怒)，因此所用的机器学习模型是回归模型。这项技术能够让计算机理解人类语音中蕴藏的情感，从而扩展人机交互的功能。

目前，语音情感计算技术遇到的主要挑战之一是，训练一个语音情感计算的机器学习模型需要大量带标签的语音数据，这导致人工专家的打标劳动量很大。因为，虽然原始语音数据很容易采集，但是要获取这些语音数据中的真实情感，则十分困难，需要多名专家仔细聆听多次，才能给出相对可靠的结果。所以，减少人工专家的打标劳动量能使得语音情感计算模型的训练成本大大降低。主动学习是常用的减少打标劳动的机器学习算法，将其运用到回归问题中，便是主动学习回归算法。其基本思想是，从未打标的样本池中选择出最有价值的少量样本来交给人工专家打标，从而训练出与给所有语音样本打标后训练出的回归模型性能相当的回归模型。其关键在于如何找到最有价值的少量样本。

D.Wu等人提出了一种用于语音情感计算的有监督主动学习回归算法，它的基本思想是，利用已有的少量真实标签和现有的回归模型，找到下一个最有价值的未打标样本交给专家打标，然后再更新回归模型，如此往复直到已经给指定数量的样本打标。该算法的性能大大优于随机采样。但是它的使用需要两个条件：1.已知少量真实标签。2.需要和人工专家多次交互。正因为这两个限制条件的存在，使得这些该算法在实际应用中存在局限性。

发明内容

针对现有的用于语音情感计算的有监督主动学习方法需要已知少量真实标签并需要和人工专家多次交互的问题，本发明提供了一种用于语音情感计算的无监督主动学习方法，其目的在于解除现有的用于语音情感计算的有监督主动学习回归算法在使用时需要已知少量真实标签，以及需要和人工专家多次交互的这两个条件限制。

为实现上述目的，按照本发明的第一方面，提供了一种用于语音情感计算的无监督主动学习方法，该方法包括以下步骤：

S1.获取提取特征后语音样本的特征维度d，设定交给专家打标的语音样本个数M、迭代次数c的最大值c_max、步数索引i的最大值S、第i步需要获取的待打标样本数目M_i、第i步使用的优化方法，要求初始化步数索引i为1；

S2.初始化迭代次数c为1，从语音样本集中选取M_i个样本初始化待打标样本集S_ic，将S_ic存入待打标样本集库SL_i中，其中，S_ic表示第i步的第c轮迭代对应的待打标样本集；

S3.从待打标样本集S_ic中选择一个第c轮迭代中未被优化的待打标样本，固定其余(M_i-1)个样本和之前所有步选出的样本，通过第i步使用的优化方法，从排除固定样本后的语音样本集中选择一个最有价值的样本替换待优化的待打标样本，更新S_ic；