[发明专利]一种面向对话情感识别的对比式上下文理解增强方法

说明书

本发明涉及一种面向对话情感识别的对比式上下文理解增强方法，属于计算机与信息科学技术领域。首先，基于已有的对话情感分析框架，提取出其中用于情感分类的隐藏状态序列。然后，基于提取的序列表示，构建包含上下文语义感知模式的对比样本。之后，利用对比学习损失函数，让模型能够从样本中学习到其包含的模式，以增强模型对于对话上下文的理解能力。最后，将对比损失和情感分类损失函数相加并进行多任务学习，完成网络模型训练。本方法具有较强地适配性，可以灵活地嵌入到已有的情感分类模型中，能够让模型在一定程度上从对话上下文内容理解的角度进行情感判别，同时能有效提升已有模型的情感分类准确率和面对扰动的鲁棒性。

技术领域

本发明涉及一种面向对话情感识别的对比式上下文理解增强方法，属于计算机与信息科学技术领域。

背景技术

对话情感识别(CER)的研究目标是针对一段对话中每一个会话的情感进行判别。有效的对话情感识别，对于构建对话系统十分关键。如果对话系统能够考虑到用户的情绪状态，将使其表现出类人的同理心，这对于提高对话系统人机交互的用户友好性具有重要的价值。因此，对话情感识别的研究，近年来引起了越来越多的关注。

随着深度学习技术的进步，基于神经网络情感识别方法在性能上取得了一定的突破。目前，现有方法大多致力于建立一个更加有效的话语表征，以更好地建模对话上下文。具体而言，将对话中的话语视为一个序列，并利用自然语言处理中常用的序列模型，如循环神经网络(RNN)、变压器(Transformer)和图神经网路(GCN)等，来聚合每个目标话语上的各种情绪影响因素(如说话者间影响、说话者内影响、话题、个性等)，得到最终的话语层面情绪识别向量表示，最后进行情感分类。然而，对话的过程会受到主题、对话者意图、观点、论证逻辑等众多因素的影响，致使这些方法依然难以有效地通过理解上下文信息而对当前会话者的情绪做出判断，因而让已有模型的分类准确率和鲁棒性受到了一定的限制。

综上所述，本申请提出了一种面向对话情感识别的对比式上下文理解增强方法。通过引入对比学习，强制让已有的对话情感分类模型在完成情感判别同时也关注上下文的信息，增强其在对话上下文的理解，提升模型情感分类的准确率和鲁棒性。

发明内容

本发明的目的是针对现有的基于神经网络对话情感识别方法存在的对话上下文的理解不足，导致分类准确率低和模型鲁棒性差的技术问题，提出一种面向对话情感识别的对比式上下文理解增强方法。通过引入对比学习，强制让已有的对话情感分类模型在完成情感判别同时也关注上下文的信息，增强其在对话上下文的理解，提升了模型情感分类的准确率和鲁棒性。

本发明的创新点在于：首先，基于已有的对话情感分析框架，提取出其中用于情感分类的隐藏状态序列。然后，基于提取的序列表示，构建包含上下文语义感知模式的对比样本。之后，利用对比学习损失函数，让模型能够从样本中学习到其包含的模式，以增强模型对于对话上下文的理解能力。最后，将对比损失和情感分类损失函数相加并进行多任务学习，完成网络模型训练。

本发明的技术方案通过如下步骤实现。

一种面向对话情感识别的对比式上下文理解增强方法，包括以下步骤：

步骤1：提取已有情感分类框架中的情感表示序列。

具体地，可以采用以下方法：

步骤1.1：将对话的会话文本进行向量化，得到其相应的分布式文本表示。

步骤1.2：将步骤1.1的文本表示送入已有的对话情感分类模型，得到模型全连接分类层之前的情感表示序列。

步骤2：构建包含上下文感知特性的对比样本对。

具体地，可以采用以下方法：

步骤2.1：将每一个待分类的目标会话情感表示的历史信息进行编码，得到其上下文的抽象表示。