提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
论文分享(3)—-DialogueCRN: Contextual Reasoning Networks for Emotion Recognition in Conversations
前言
提示:这里可以添加本文要记录的大概内容:
例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。
提示:以下是本篇文章正文内容,下面案例可供参考
一、摘要
本文重点研究的是对话中的情感,由于现有方面难以对情感线索的提取和整合,针对这一问题,作者提出了novel Contextual Reasoning Networks (DialogueCRN)。受情感认知理论的启发,设计了多回合推理模块,整合情感线索。
二、模型解析
1.定义问题
定义U=[u1,u2,…,uN]为一个对话中所包含的句子,N表示句子数量。P1,P2,…,PM表示对话U中有M个人。pφ(ui)表示句子和人的映射。对于λ ∈[1,M],Uλ 表示为Pλ 在U中所说话的集合,Uλ ={ui|ui∈U and u spoken by Pλ}
2.Text Features
本文是通过CNN和max_pooling来提取文本中上下文无关的特征,记为ui,其中ui∈du,du=100。
3.Model
本文把模型分为两个阶段,感知阶段和认知阶段。
3.1感知阶段
通过研究发现,对话中的特征主要分为,语境特征和说话者特征。所以本位将两者区分,其输出分别是U和Uλ,λ∈[1,M]
对于语境特征:
; 3.2认知阶段
受情感认知理论启发,这一过程是由多个回合组合而成,,而在每个回合中认知阶段又分为意识推理和直观检索两部分。则在第t个回合,情况如下:
总而言之,ui在Global Memory G和回合T的影响下变成qi,则
qsi = Cognitions(csi , Gs; Ts),
qvi = Cognitionv(cvi , Gv; Tv),
这之后文章整合两种特征送入分类层,得到预测结果。
4.模型图和结果
; 总结
作者构建了两类输入,一种是按原始句子顺序的输入,一种按speaker顺序的输入。这两种方式分别得到是句子语境信息和speak的情感色彩。在最终阶段把两类信息结合传入分类层,并最终提高了效果。
Original: https://blog.csdn.net/qq_18838211/article/details/124544983
Author: 爬行的研究生
Title: 论文分享(3)—-DialogueCRN: Contextual Reasoning Networks for Emotion Recognition in Conversations
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/528299/
转载文章受原作者版权保护。转载请注明原作者出处!