[發明專利]一種基于交互式長短期記憶網絡的對話情感分析方法

在審

• 申請號: 202110069022.3
• 申請日: 2021-01-19
• 公開（公告）號: CN112905756A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 馬軍霞;張亞洲;陳銳;楚楊陽
• 申請（專利權）人: 鄭州輕工業大學
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/33;G06F40/30;G06N3/04
• 代理公司: 北京思格頌知識產權代理有限公司 11635
• 代理人: 楊超

1.一種基于交互式長短期記憶網絡的對話情感分析方法，其特征在于，包含如下步驟：

(1)構建對話情感語料集，每個對話包含輪數不等的文本語句，將兩個談話者匿名表示為A和B。

(2)對對話情感語料集中的對話進行預處理，人工標注和一致性分析，最終該對話情感語料集包含N個主觀性文本對話；

(3)定義對話情感分析場景中的交互，歸納出交互蘊含的三大特性：語義理解、可信度與影響力，并針對不同的特性采用相應的計算方法，方法如下：

第一步：對于語義理解，確定每句語句的語義向量u_i＝(u_i1,u_i2,...,u_in)，用于表示每句話的語義理解；

第二步：對于每個語句的語義向量u_i的可信度，計算u_i與其他語句的語義向量u_j的文本語義相似度sim(u_i,u_j)，然后通過線性加權計算每個語句的語義向量u_i的支持度sup(u_i)，執行歸一化后得到每個語句的語義向量u_i的可信度cred(u_i)；

第三步：對于每個語句的語義向量u_i的影響力，建立對話影響力模型，將對話中每句語句的情感標簽作為輸入，采用監督性學習算法，即頻數法對其進行訓練，計算出每句語句的影響力R，R是一個2×2的矩陣，包含了第p-1輪與第p輪談話者A與B的相互影響，影響力R的每個矩陣元素的取值分別表示三種情感狀態，即積極、消極、中性，影響力R包含的信息有：談話者A如何影響自身，B如何影響A，A如何影響B以及B自身的影響；

(4)將計算出的每個語句的語義向量u_i、可信度cred(u_i)及影響力R，分別融入到LSTM結構中，使得其能夠建模對話中的談話者之間的交互，稱之為交互式長短期記憶網絡Interactive-LSTM，方法如下：

第一步：設t時刻單元的輸入語義向量是，x_t建立LSTM框架；

第二步：將每個語句的語義向量u_i作為Interactive-LSTM的輸入，即x_t＝u_i；

第三步：在每個LSTM單元之前增加一個“可信門”，用于判斷前一個談話者語句的可信度，篩選前LSTM單元輸入到當前單元的可信信息，即：

和分別表示第p輪談話者A，B的新隱層輸出，和是第p輪談話者A，B的舊隱層輸出，cre(B_p-1)是第p-1輪談話者B的語句的可信度，cre(A_p)是第p輪談話者A的語句的可信度；

第四步：根據計算得到的影響力R，改進LSTM框架的輸出門，組建新輸出門，用于衡量前一個談話者施加的影響；

第五步：基于新輸出門，計算Interactive-LSTM的第p輪談話者A和B的隱層輸出和

(5)利用訓練情感語料集與反向傳播算法逐步調整交互式長短期記憶網絡中的參數，使得模型損失函數J(θ)達到最小值，選取最佳網絡模型，保存此時的參數；

(6)將測試情感語料集的對話語料得到的和輸入最佳網絡模型，得到最終的分類結果。

2.根據權利要求1所述的對話情感分析方法，其特征在于，步驟(1)中，利用“爬蟲”技術，構建對話情感語料集，每個對話包含輪數不等的文本語句，為突出交互性，只保留兩個談話者的對話。

3.根據權利要求1所述的對話情感分析方法，其特征在于，步驟(2)的方法如下：

第一步：矯正拼寫錯誤，去除每個文本的不合法字符，然后對每個對話語句人工標注其情感極性：積極+1、消極-1、中性0；

第二步：標注過程之后，應用一致性檢驗指標進行一致性分析計算，得到一致性分析結果；

第三步：從構建的對話情感語料集中，選取訓練集與測試集。

4.根據權利要求3所述的對話情感分析方法，其特征在于，應用一致性檢驗指標Kappa系數進行一致性分析計算。