EmotionIC:受情感惯性和传染驱动的依赖建模用于对话中情绪识别

本文主要是介绍EmotionIC:受情感惯性和传染驱动的依赖建模用于对话中情绪识别,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

论文地址

https://doi.org/10.1007/s11432-023-3908-6

项目代码

https://github.com/lijfrank-open/EmotionIC

关键词

对话情绪识别,情感惯性和传染,多头注意力,门控循环单元,条件随机场

研究意义

对话中情绪识别(ERC)是自然语言处理(NLP)中最受关注的研究领域之一,旨在识别对话中每个话语的情感。由于这项任务在意见挖掘、共情对话和智能家居等多个系统的潜在应用,最近受到了NLP研究人员的广泛研究。在对话中有效地使用上下文信息是 ERC 的核心。对此,已经存在了大量的相关工作,包括基于图的方法、基于循环的方法和基于注意力的方法。然而,基于循环的方法往往仅使用最近话语中相对有限的信息来更新当前话语的状态,它们难以获得令人满意的性能;由于全局相关性,基于图的方法和基于注意力的方法降低了相邻话语的重要性,导致对话中时间顺序信息的丢失。另外,在对话过程中,说话者的情感受到自己或他人历史情感的影响,表明对话中的情感之间存在显著的依赖性。现有的 ERC 模型侧重于特征提取层面的上下文建模,很少在分类层面挖掘对话中的情感流。

本文工作

为了解决上述问题,本文提出了一种受情感惯性和传染驱动的依赖建模方法(EmotionIC)。我们提出的EmotionIC结合了注意力模型和循环模型的优势,同时使用条件随机场(CRF)显式地建模对话中的情感交互。在特征提取层面,我们设计了一个身份掩码多头注意力 (IMMHA),以捕获全局上下文中的说话者内部和说话者之间的依赖关系;为了进一步细化上下文依赖关系,我们设计了一个说话者和位置感知的对话门控循环单元 (DiaGRU)。在分类层面,通过在条件随机场中引入跳跃连接,我们设计了一种称为跳链条件随机场 (SkipCRF) 的新颖结构,以显式地捕获对话中的情感流动。
在这里插入图片描述
本文的创新点如下:
(1) 我们为 ERC 任务提出了一种新的模型 EmotionIC。 我们的模型在特征提取和分类层面对一段对话进行全面建模,其主要由 IMMHA、DiaGRU 和 SkipCRF 组成。
(2) 在特征提取层面,我们的方法结合了基于注意力模型和循环模型的优势。IMMHA 提取基于身份的全局上下文信息,而 DiaGRU 捕获参与者和时间感知的局部上下文信息。
(3) 在分类层面,SkipCRF可以从对话中的高阶相邻话语中提取复杂的情感流,同时完成最终的情感分类。
(4) 我们在 IEMOCAP、DailyDialog、MELD 和 EmoryNLP 数据集上进行了广泛的实验,并获得了最先进的性能,证明了所提方法的优越性。
在这里插入图片描述

实验结果

为了评估我们的 EmotionIC 的有效性,我们选择的基线包括 COSMIC、RGAT-ERC、DialogXL、DAG-ERC、I-GCN、LR-GCN、CauAIN、GAR-Net、CoGBART 和 EmoCaps。表 3 显示了所提出的 EmotionIC 与所有基线方法的性能比较。实验结果表明,我们的 EmotionIC 显著优于所有基线方法。
在这里插入图片描述
为了分析EmotionIC中不同模块的影响,我们观察移除或替换每个模块后的性能。实验结果记录在表4和表5中。总的来说,移除或替换任何模块都会导致EmotionIC的性能下降,这表明我们设计的模块有助于充分提取上下文依赖关系。
在这里插入图片描述
在这里插入图片描述
为了进一步证明在分类层面考虑对话中的情感流可以有效提高模型的性能,我们对 MELD 数据集中的对话进行了案例研究,如图 9 所示。可以看出,由于缺乏可靠的历史情感信息,说话者 B 的第一句话(第 2 个话语)被错误地分类为“Surprise”。从第 3 个和第 5 个话语的错误分类来看,采用 Softmax 层的模型很容易将Neutral错误分类为负面情感。我们设计的SkipCRF在基于情感惯性和传染的建模方面具有显着优势,证明了在分类层面捕获不同说话者之间情感流的有效性。
在这里插入图片描述
引用信息:Yingjian Liu, Jiang Li, Xiaoping Wang, and Zhigang Zeng. “EmotionIC: Emotional Inertia and Contagion-Driven Dependency Modeling for Emotion Recognition in Conversation,” in Science China Information Sciences, vol. 67, no. 182103, 2024. doi: 10.1007/s11432-023-3908-6.

这篇关于EmotionIC:受情感惯性和传染驱动的依赖建模用于对话中情绪识别的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1119023

相关文章

使用PyTorch实现手写数字识别功能

《使用PyTorch实现手写数字识别功能》在人工智能的世界里,计算机视觉是最具魅力的领域之一,通过PyTorch这一强大的深度学习框架,我们将在经典的MNIST数据集上,见证一个神经网络从零开始学会识... 目录当计算机学会“看”数字搭建开发环境MNIST数据集解析1. 认识手写数字数据库2. 数据预处理的

Pytorch微调BERT实现命名实体识别

《Pytorch微调BERT实现命名实体识别》命名实体识别(NER)是自然语言处理(NLP)中的一项关键任务,它涉及识别和分类文本中的关键实体,BERT是一种强大的语言表示模型,在各种NLP任务中显著... 目录环境准备加载预训练BERT模型准备数据集标记与对齐微调 BERT最后总结环境准备在继续之前,确

讯飞webapi语音识别接口调用示例代码(python)

《讯飞webapi语音识别接口调用示例代码(python)》:本文主要介绍如何使用Python3调用讯飞WebAPI语音识别接口,重点解决了在处理语音识别结果时判断是否为最后一帧的问题,通过运行代... 目录前言一、环境二、引入库三、代码实例四、运行结果五、总结前言基于python3 讯飞webAPI语音

Python依赖库的几种离线安装方法总结

《Python依赖库的几种离线安装方法总结》:本文主要介绍如何在Python中使用pip工具进行依赖库的安装和管理,包括如何导出和导入依赖包列表、如何下载和安装单个或多个库包及其依赖,以及如何指定... 目录前言一、如何copy一个python环境二、如何下载一个包及其依赖并安装三、如何导出requirem

使用Python开发一个图像标注与OCR识别工具

《使用Python开发一个图像标注与OCR识别工具》:本文主要介绍一个使用Python开发的工具,允许用户在图像上进行矩形标注,使用OCR对标注区域进行文本识别,并将结果保存为Excel文件,感兴... 目录项目简介1. 图像加载与显示2. 矩形标注3. OCR识别4. 标注的保存与加载5. 裁剪与重置图像

Spring AI与DeepSeek实战一之快速打造智能对话应用

《SpringAI与DeepSeek实战一之快速打造智能对话应用》本文详细介绍了如何通过SpringAI框架集成DeepSeek大模型,实现普通对话和流式对话功能,步骤包括申请API-KEY、项目搭... 目录一、概述二、申请DeepSeek的API-KEY三、项目搭建3.1. 开发环境要求3.2. mav

Python如何快速下载依赖

《Python如何快速下载依赖》本文介绍了四种在Python中快速下载依赖的方法,包括使用国内镜像源、开启pip并发下载功能、使用pipreqs批量下载项目依赖以及使用conda管理依赖,通过这些方法... 目录python快速下载依赖1. 使用国内镜像源临时使用镜像源永久配置镜像源2. 使用 pip 的并

python安装whl包并解决依赖关系的实现

《python安装whl包并解决依赖关系的实现》本文主要介绍了python安装whl包并解决依赖关系的实现,文中通过图文示例介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面... 目录一、什么是whl文件?二、我们为什么需要使用whl文件来安装python库?三、我们应该去哪儿下

Python爬虫selenium验证之中文识别点选+图片验证码案例(最新推荐)

《Python爬虫selenium验证之中文识别点选+图片验证码案例(最新推荐)》本文介绍了如何使用Python和Selenium结合ddddocr库实现图片验证码的识别和点击功能,感兴趣的朋友一起看... 目录1.获取图片2.目标识别3.背景坐标识别3.1 ddddocr3.2 打码平台4.坐标点击5.图

如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别详解

《如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别详解》:本文主要介绍如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别的相关资料,描述了如何使用海康威视设备网络SD... 目录前言开发流程问题和解决方案dll库加载不到的问题老旧版本sdk不兼容的问题关键实现流程总结前言作为