[发明专利]一种基于常识知识图谱的长对话情感检测方法及系统

说明书

本发明涉及情感分析技术领域，公开了一种常识知识图谱的长对话情感检测方法及系统，通过t时刻的话语特征构建图模型g_t(V_t,E_t)，将所述话语的先验知识作为新的节点添加到图模型g_t(V_t,E_t)中得到更新后的图模型g_t^*(V_t,E_t)；采用GNN模型更新图模型g_t^*(V_t,E_t)中的话语特征，得到更新后的话语特征；基于t时刻的话语元素u_i前的m个话语，确定最终t时刻话语主题f_t，基于所述更新后的话语特征和所述最终t时刻话语主题f_t，确定长对话情感标签。本发明通过将先验知识作为新的节点添加到图模型g_t(V_t,E_t)中，描述对话情感识别的作用和说话者之间的关系，综合了自我情感和相互情感的影响，快速有效的识别了对话的情感。

技术领域

本发明涉及情感分析技术领域，特别是涉及一种基于常识知识图谱的长对话情感检测方法及系统。

背景技术

近年来，随着计算机技术和社交网络的快速发展，对话机器人在许多应用领域逐步取代传统的人类工作者，比如医疗保健、早期教育和法庭程序。为了保证对话机器人沟通的逻辑，不仅需要评估对话的设置，而且需要评估人类在对话阶段的情感，所以对话情感检测的研究越来越重要。

对于一段对话，如何捕捉到其快速变化的语境中的人类情感，是对话情感检测的一个突出问题。经典的LSTM、RNN等方法均只能提取到一部分的上下文信息，无法做到快速有效的识别。Li等人提出了一种用于对话情感分析的双向循环单元，该模型包括一个获取上下文信息的广义神经张量块和一个用于情感分类的双通道分类器，然而，对话中常常包含多个说话者，这些说话者既受到自我情感的影响，也会受到其他说话者情感的影响，上述模型更多地考虑到时间的影响，而忽略了说话者之间的关系信息，没有综合自我情感和相互情感的影响。Hazarika等人提出了一种被称为会话记忆网络(CMN)的深度神经网络，并对这综合自我情感和相互情感两个因素进行了广泛的讨论，将每个说话者过去的话语建模为记忆，然后使用基于注意力的跳跃来合并这些记忆并使用长短期记忆网络(LSTM)和门控循环单元(GRU)来传播上下文和序列信息，然而，提取到的上下文信息有限，实际性能较差。

对话情感检测现有技术中，提取到的上下文信息有限，无法做到快速有效的识别对话的情感，通常忽略了先验知识对对话情感识别的作用和说话者之间的关系信息，没有综合自我情感和相互情感的影响。

发明内容

本发明的目的是提供一种基于常识知识图谱的长对话情感检测方法及系统，可以结合先验知识快速的识别对话的情感，并且可以综合自我情感和相互情感的影响。

为实现上述目的，本发明提供了如下方案：

一种常识知识图谱的长对话情感检测方法，所述长对话情感检测方法包括：

基于t时刻的话语特征构建图模型g_t(V_t,E_t)；其中，V_t为节点集合，E_t为不同节点v_i和v_j之间的无向边集合，其中，i∈1…n，j∈1…n；所述图模型g_t(V_t,E_t)用于表示t时刻的对话数据；

基于t时刻的话语提取话语的先验知识；