CN115114408A - 多模态情感分类方法、装置、设备及存储介质 - Google Patents
多模态情感分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115114408A CN115114408A CN202210834137.1A CN202210834137A CN115114408A CN 115114408 A CN115114408 A CN 115114408A CN 202210834137 A CN202210834137 A CN 202210834137A CN 115114408 A CN115114408 A CN 115114408A
- Authority
- CN
- China
- Prior art keywords
- text
- features
- voice
- modal
- emotion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 367
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013145 classification model Methods 0.000 claims description 129
- 230000004927 fusion Effects 0.000 claims description 96
- 239000011159 matrix material Substances 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 36
- 230000002902 bimodal effect Effects 0.000 claims description 33
- 230000007246 mechanism Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 14
- 230000001364 causal effect Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/65—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域，揭露一种多模态情感分类方法，包括：提取文本特征、图像特征及语音特征；将文本特征、图像特征及语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征；将文本图像特征、文本语音特征及语音图像特征进行拼接，得到多模态特征；利用训练完成的模型将多模态特征进行情感分类，得到情感结果。本发明还涉及一种区块链技术，文本特征、图像特征及语音特征可存储在区块链节点中。本发明还提出一种多模态情感分类装置、设备以及介质。本发明可以提高情感分类的准确率。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种多模态情感分类方法、装置、设备及存储介质。
背景技术
情感分类是指根据文本内容、图片内容或语音内容表达的含义，划分文本内容、图片内容或语音内容对应的情感类型。传统的情感分类方法一般是通过使用单模态的分类方法，比如文本，图像，语音都是单个模态作为模型输入，并分别输出对应的模态的情感分类结果。但是，这种单模态分类方法缺少了全局判断情感正负的信息，由于缺失不同模态之间的交互性，没有融合多模态特征，导致情感分类的准确率较低。
发明内容
本发明提供一种多模态情感分类方法、装置、设备及存储介质，其主要目的是提高情感分类的准确率。
为实现上述目的，本发明提供了一种多模态情感分类方法，包括：
获取多模态数据训练集，其中，所述多模态数据训练集包括样本文本、样本图像及样本语音，并标记所述样本文本、所述样本图像及所述样本语音的实际情感标签；
利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征；
利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征；
利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征；
利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签；
利用所述多模态情感分类模型中的损失函数计算所述预测情感标签与所述实际情感标签的损失值，根据所述损失值调整所述多模态情感分类模型的参数，直至所述多模态情感分类模型满足预设条件时，得到训练完成的多模态情感分类模型；
获取待分类数据集，利用所述训练完成的多模态情感分类模型将所述待分类数据集进行情感分类，得到所述待分类数据集的情感结果。
可选地，所述利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征，包括：
利用所述双模态融合层中的膨胀因果卷积模块将所述文本特征、所述图像特征及所述语音特征分别进行两两拼接，得到初始文本图像特征、初始文本语音特征及初始语音图像特征；
利用所述双模态融合层中残差连接模块分别将所述初始文本图像特征、所述初始文本语音特征及所述初始语音图像特征进行特征降维，得到所述文本图像特征、所述文本语音特征及所述语音图像特征。
可选地，所述利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征，包括：
利用所述多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到三模态特征；
将所述三模态特征与所述文本特征、所述图像特征及所述语音特征进行融合，得到所述多模态特征。
可选地，所述利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签，包括：
利用所述软注意力机制层计算所述多模态特征的注意力分布矩阵；
将所述注意力分布矩阵与所述多模态特征对应的多模态特征矩阵进行加权运算，得到所述多模态特征的预测情感标签。
可选地，所述利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征，包括：
利用所述单模态层中的文本编码层提取所述样本文本对应的初始文本特征；
利用所述单模态层中的图像编码层提取所述样本图像对应的初始图像特征；
利用所述单模态层中的语音编码层提取所述样本语音对应的初始语音特征；
利用所述单模态层中的对齐层分别将所述初始文本特征、所述初始图像特征及所述初始语音特征映射到同一维度，得到所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征。
可选地，所述利用所述多模态情感分类模型中的损失函数计算所述预测情感标签与所述实际情感标签的损失值，包括：
利用下述损失函数计算所述预测情感标签与所述实际情感标签的损失值：
其中，所述L(s)表示损失值；所述
表示预测情感标签；所述
表示实际情感标签；所述N表示训练的视频总数；所述i表示视频数量的变量；所述K表示最长的文本长度；所述j表示文本长度的变量；C表示情感分类的类别数目；所述c表示情感类别数目的变量。
可选地，所述标记所述样本文本、所述样本图像及所述样本语音的实际情感标签，包括：
利用预设的指针算法对所述样本文本、所述样本图像及所述样本语音的实际情感进行标记，得到所述样本文本、所述样本图像及所述样本语音的实际情感标签。
为了解决上述问题，本发明还提供一种多模态情感分类装置，所述装置包括：
情感标签标记模块，用于获取多模态数据训练集，其中，所述多模态数据训练集包括样本文本、样本图像及样本语音，并标记所述样本文本、所述样本图像及所述样本语音的实际情感标签；
单模态特征提取模块，用于利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征；
双模态特征融合模块，用于利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征；
多模态特征拼接模块，用于利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征；
预测情感分类模块，用于利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签；
多模态情感分类模型训练模块，用于利用所述多模态情感分类模型中的损失函数计算所述预测情感标签与所述实际情感标签的损失值，根据所述损失值调整所述多模态情感分类模型的参数，直至所述多模态情感分类模型满足预设条件时，得到训练完成的多模态情感分类模型；
情感分类模块，用于获取待分类数据集，利用所述训练完成的多模态情感分类模型将所述待分类数据集进行情感分类，得到所述待分类数据集的情感结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的多模态情感分类方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的多模态情感分类方法。
本发明实施例中，首先通过利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征，可以准确提取不同模态的特征，便于保证后续特征融合的准确性；其次，通过利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征，可以增强不同模态特征的关联，获取更加完整的特征信息；进一步地，通过利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征，进一步增强多种模态特征的关联，提高模态特征之间的交互；最后，利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签，可以过滤多模态特征的一些冗余信息及噪音信息，进一步提升模态信息之间的交互，通过多模态情感分类模型的自训练，并利用训练完成的多模态情感分类模型将所述待分类数据集进行情感分类，可以不断提高模型的准确率，从而提高情感分类的准确率。因此本发明实施例提出的多模态情感分类方法、装置、设备及存储介质可以提高情感分类的准确率。
附图说明
图1为本发明一实施例提供的多模态情感分类方法的流程示意图；
图2为本发明一实施例提供的多模态情感分类方法中一个步骤的详细流程示意图；
图3为本发明一实施例提供的多模态情感分类方法中一个步骤的详细流程示意图；
图4为本发明一实施例提供的多模态情感分类装置的模块示意图；
图5为本发明一实施例提供的实现多模态情感分类方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种多模态情感分类方法。所述多模态情感分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述多模态情感分类方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的多模态情感分类方法的流程示意图，在本发明实施例中，所述多模态情感分类方法包括以下步骤S1-S7：
S1、获取多模态数据训练集，其中，所述多模态数据训练集包括样本文本、样本图像及样本语音，并标记所述样本文本、所述样本图像及所述样本语音的实际情感标签。
本发明实施例中，所述多模态数据训练集包括样本文本、样本图像及样本语音。所述多模态数据训练集可以通过开源的CMU-MOSI数据集中获取。比如，CMU-MOSI数据集可以包括说演讲者的演讲视频，该视频包含了说演讲者的图像、演讲的文本内容及演讲的语音。
本发明实施例中，所述实际情感标签是指样本文本、样本图像及样本语音三模态对应的真实情感标签。
作为本发明的一个实施例，所述标记所述样本文本、所述样本图像及所述样本语音的实际情感标签，包括：利用预设的指针算法对所述样本文本、所述样本图像及所述样本语音的实际情感进行标记，得到所述样本文本、所述样本图像及所述样本语音的实际情感标签。
较佳地，所述指针算法可以为Span算法。
本发明一实施例中，标记之后的实际情感标签可以为元组情感标记：<文本，语音，图像>-<积极情感>或<文本，语音，图像>-<消极情感>。
S2、利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征。
本发明实施例中，所述预设的多模态情感分类模型可以由时域卷积网络(TCN)及软注意力机制网络(Soft-Attention)结合的模型，其中，所述模态情感分类模型包括：单模态层、双模态融合层、多模态融合层、软注意力机制层及损失函数。
本发明实施例通过利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征，可以准确提取不同模态的特征，便于保证后续特征融合的准确性。
作为本发明的一个实施例，所述利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征，包括：
利用所述单模态层中的文本编码层提取所述样本文本对应的初始文本特征；
利用所述单模态层中的图像编码层提取所述样本图像对应的初始图像特征；
利用所述单模态层中的语音编码层提取所述样本语音对应的初始语音特征；
利用所述单模态层中的对齐层分别将所述初始文本特征、所述初始图像特征及所述初始语音特征映射到同一维度，得到所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征。
其中，所述文本编码层为由Bert模型构成；所述图像编码层由ViT模型构成；所述语音编码层由COVAREP模型构成。
本发明实施例中，所述对齐层的主要作用是将所述初始文本特征、所述初始图像特征及所述初始语音特征映射到同一维度上，可以保证后续特征融合时的准确性。
本发明另一实施例中，可以通过下述公式将所述初始文本特征、所述初始图像特征及所述初始语音特征映射到同一维度：
fA＝FAD+bA
fT＝FTD+bT
fV＝FVD+bV
其中，所述fA表示语音特征；所述fT表示文本特征；所述fV表示图像特征；所述FA表示初始语音特征；所述FT表示初始文本特征；所述FV表示初始图像特征；所述bA表示初始语音特征的偏置矩阵；所述bT表示初始文本特征的偏置矩阵；所述bV表示初始图像特征的偏置矩阵；所述D表示映射空间维度。
S3、利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征。
本发明实施例中，所述双模态融合层是由时域卷积网络构成的融合层，主要作用是进行文本、图像及语音之间的两两特征融合，其中，所述双模态融合层包括：膨胀因果卷积模块及残差连接模块；所述膨胀因果卷积模块相比一般的卷积模块区别在于TCN网络可以根据层数、卷积核大小、扩张系数灵活控制感受野，同时梯度也更加的稳定，并且可以并行处理时序特征信息。
本发明实时例中，双模态融合层通过堆叠多个膨胀因果卷积层，扩大卷积视野，不但可以获取到更完整的序列特征，为各个阶段融合之后的特征信息提取到更深层次的语义信息，且逐步融合提取过程不断的增加不同模态之间的信息交融，使得多模态情感分类模型具备一定的鲁棒性。
本发明实施例通过利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征，可以增强不同模态特征的关联，获取更加完整的特征信息。
作为本发明的一个实施例，参考图2所示，所述利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征，包括以下步骤S31-S32：
S31、利用所述双模态融合层中的膨胀因果卷积模块将所述文本特征、所述图像特征及所述语音特征分别进行两两拼接，得到初始文本图像特征、初始文本语音特征及初始语音图像特征；
S32、利用所述双模态融合层中残差连接模块分别将所述初始文本图像特征、所述初始文本语音特征及所述初始语音图像特征进行特征降维，得到所述文本图像特征、所述文本语音特征及所述语音图像特征。
其中，所述膨胀因果卷积模块主要作用是通过对因果卷积对当前的时刻输入xt和之前的输入x1，x2，x3，...，xt-1进行采样，进一步通过膨胀卷积控制采样率d(即控制膨胀卷积的空洞大小)，比如，d＝1，表示输入时每个点都采样，d＝2，表示输入时每2个点采样一个作为输入空洞卷积，使得采样窗口的大小随着层数呈指数型增长，从而卷积网络可以用比较少的层，就获得比较大的视野，保证特征融合的准确率。
本发明一实施例中，所述残差连接模块的主要作用是通过当卷积层数过深时，很容易出现梯度消失或梯度爆炸的现象，可以通过该残差连接将输入的xt和其经过非线性映射得到的G(x)求和，从而实现降维操作，以提高后续情感分类的效率。
本发明另一实施例中，可以通过下述公式对所述文本特征、所述图像特征及所述语音特征分别进行两两融合：
其中，所述fVA表示语音图像特征；所述fVT表示文本语音特征；所述fTA表示文本图像特征；所述
表示两个特征矩阵的拼接；所述GA表示语音特征；所述GV表示图片特征；所述GT表示文本特征；所述
表示在j时刻的语音图像特征矩阵；所述
表示在j时刻的文本图像特征矩阵；所述
表示在j时刻的文本语音特征矩阵；所述
表示初始语音图像特征的偏置矩阵；所述
表示初始文本图像特征的偏置矩阵；所述
表示初始文本语音特征的偏置矩阵。
本发明一可选实施例中，由于所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征并没有真实标注过，但训练集中有三个模态对应的情感标记，所以两两模态之间对应的情感标记与其所属的三个模态对应的情感标记一致。
S4、利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征。
本发明实施例中，所述多模态特征是指融合文本图像特征、文本语音特征、语音图像特征、文本特征、图像特征及语音特征不同模态的特征。
本发明实施例中，所述多模态融合层也是由时域卷积网络(TCN)构成的融合层，主要作用也为逐步融合提取文本图像特征、文本语音特征及语音图像特征，不断的增加不同模态之间的信息交融，提升不同模态之间的交互，以提高需后续情感分类的准确率。
作为本发明的一个实施例，所述利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征，包括：
利用所述多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到三模态特征；
将所述三模态特征与所述文本特征、所述图像特征及所述语音特征进行融合，得到所述多模态特征。
其中，所述利用所述多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，可以通过下述公式实现：
其中，所述fTAV表示三模态特征；所述
表示两个特征矩阵的拼接；所述fVA表示语音图像特征；所述fVT表示文本图像特征；所述fTA表示文本语音特征；所述
表示第j时刻的三模态特征矩阵；所述
表示三模态特征的偏置矩阵。
本发明一实施例中，可以通过下述公式将所述三模态特征与所述文本特征、所述图像特征及所述语音特征进行融合：
其中，所述GTAV表示多模态特征；所述
表示两个特征矩阵的拼接；所述fTAV表示三模态特征；所述GA表示语音特征；所述GV表示图片特征；所述GT表示文本特征；所述
表示j时刻的多模态特征矩阵；所述
表示多模态特征的偏置矩阵。
S5、利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签。
本发明实施例中，所述软注意力机制层的作用住主要是过滤多模态特征的一些冗余信息及噪音信息，还可以弱化弱相关的多模态特征，强化强相关的多模态特征，从而提升模态信息之间的交互性。
作为本发明的一个实施例，参考图3所示，所述利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签，包括以下步骤S51-S52：
S51、利用所述软注意力机制层计算所述多模态特征的注意力分布矩阵；
S52、将所述注意力分布矩阵与所述多模态特征对应的多模态特征矩阵进行加权运算，得到所述多模态特征的预测情感标签。
其中，可以通过下述公式计算所述预测情感标签：
Fscored＝GTAV⊙Softmax(GTAVW1)·W2
其中，所述Fscored表示预测情感标签；所述GＴAV表示多模态特征；所述W1、W2表示权重；所述⊙表示矩阵逐个元素相乘；所述Softmax的主要作用是输出所述注意力分布矩阵；所述(GTAVW1)·W2表示注意力分布矩阵。
本发明一实施例中，所述注意力分布矩阵的主要作用是通过权重参数弱化弱相关的多模态特征，强化强相关的多模态特征，进一步提升提升模态信息之间的交互性。
S6、利用所述多模态情感分类模型中的损失函数计算所述预测情感标签与所述实际情感标签的损失值，根据所述损失值调整所述多模态情感分类模型的参数，直至所述多模态情感分类模型满足预设条件时，得到训练完成的多模态情感分类模型。
本发明实施例中，所述预设条件可以根据所述实际模型训练场景设置，例如，预设条件可以为所述损失值小于预设阈值。
本发明实施例中，由于多模态情感分类模型的训练过程只是相应增加了组合的损失以及损失前的权重，当训练数据为更多的模态时，可以训练更多的融合模态特征，具备很强的扩展性。
本发明实施例中，所述损失函数包括交叉熵(cross entropy)函数。
作为本发明的一个实施例，所述利用所述多模态情感分类模型中的损失函数计算所述预测情感标签与所述实际情感标签的损失值，包括：
利用下述损失函数计算所述预测情感标签与所述实际情感标签的损失值：
其中，所述L(s)表示损失值；所述
表示预测情感标签；所述
表示实际情感标签；所述N表示训练的视频总数；所述i表示视频数量的变量；所述K表示最长的文本长度；所述j表示文本长度的变量；C表示情感分类的类别数目；所述c表示情感类别数目的变量。
比如，若情感分类采用二分类，则C＝2，对应的情感标签为积极情感或消极情感；若情感分类采用三分类，则C＝3，对应的对应的情感标签为积极情感、消极情感或中性情感。
本发明一可选实施例中，所述参数的调整可通过随机下降梯度算法实现。
S7、获取待分类数据集，利用所述训练完成的多模态情感分类模型将所述待分类数据集进行情感分类，得到所述待分类数据集的情感结果。
本发明实施例中，多模态的情感分类是指对文本、视频、语音的多模态数据进行综合挖掘，发现其隐藏信息，并预测出其情感状态的分类方法。所述待分类的数据集可以为任意一段包含语音及文本的视频内容，并从该视频检测出待分类图片、待分类语音及待分类文本。所述情感结果是指待分类数据集包含的当前情感状态。
本发明实施例中，可以利用训练完成的多模态情感分类模型识别到待分类图片、待分类语音及待分类文本，并融合待分类图片、待分类语音及待分类文本的多模态特征，根据多模态特征中包含的情绪，得到所述待分类数据集的情感结果。
具体地，当待分类图片为人物在微笑对应待分类语音的语调为轻快的，且对应的待分类文本中存在积极词性(如喜欢、高兴)，则多模态特征包含的情绪为(喜欢、高兴)，得到所述待分类数据集的情感结果为积极情感。
本发明实施例中，首先通过利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征，可以准确提取不同模态的特征，便于保证后续特征融合的准确性；其次，通过利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征，可以增强不同模态特征的关联，获取更加完整的特征信息；进一步地，通过利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征，进一步增强多种模态特征的关联，提高模态特征之间的交互；最后，利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签，可以过滤多模态特征的一些冗余信息及噪音信息，进一步提升模态信息之间的交互，通过多模态情感分类模型的自训练，并利用训练完成的多模态情感分类模型将所述待分类数据集进行情感分类，可以不断提高模型的准确率，从而提高情感分类的准确率。因此本发明实施例提出的多模态情感分类方法可以提高情感分类的准确率。
本发明所述多模态情感分类装置100可以安装于电子设备中。根据实现的功能，所述多模态情感分类装置可以包括情感标签标记模块101、单模态特征提取模块102、双模态特征融合模块103、多模态特征拼接模块104、预测情感分类模块105、多模态情感分类模型训练模块106、情感分类模块107，本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述情感标签标记模块101，用于S1、获取多模态数据训练集，其中，所述多模态数据训练集包括样本文本、样本图像及样本语音，并标记所述样本文本、所述样本图像及所述样本语音的实际情感标签。
本发明实施例中，所述多模态数据训练集包括样本文本、样本图像及样本语音。所述多模态数据训练集可以通过开源的CMU-MOSI数据集中获取。比如，CMU-MOSI数据集可以包括说演讲者的演讲视频，该视频包含了说演讲者的图像、演讲的文本内容及演讲的语音。
本发明实施例中，所述实际情感标签是指样本文本、样本图像及样本语音三模态对应的真实情感标签。
作为本发明的一个实施例，所述标记所述样本文本、所述样本图像及所述样本语音的实际情感标签，包括：利用预设的指针算法对所述样本文本、所述样本图像及所述样本语音的实际情感进行标记，得到所述样本文本、所述样本图像及所述样本语音的实际情感标签。
较佳地，所述指针算法可以为Span算法。
本发明一实施例中，标记之后的实际情感标签可以为元组情感标记：<文本，语音，图像>-<积极情感>或<文本，语音，图像>-<消极情感>。
所述单模态特征提取模块102，用于利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征。
本发明实施例中，所述预设的多模态情感分类模型可以由时域卷积网络(TCN)及软注意力机制网络(Soft-Attention)结合的模型，其中，所述模态情感分类模型包括：单模态层、双模态融合层、多模态融合层、软注意力机制层及损失函数。
本发明实施例通过利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征，可以准确提取不同模态的特征，便于保证后续特征融合的准确性。
作为本发明的一个实施例，所述单模态特征提取模块102通过执行下述操作利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征，包括：
利用所述单模态层中的文本编码层提取所述样本文本对应的初始文本特征；
利用所述单模态层中的图像编码层提取所述样本图像对应的初始图像特征；
利用所述单模态层中的语音编码层提取所述样本语音对应的初始语音特征；
利用所述单模态层中的对齐层分别将所述初始文本特征、所述初始图像特征及所述初始语音特征映射到同一维度，得到所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征。
其中，所述文本编码层为由Bert模型构成；所述图像编码层由ViT模型构成；所述语音编码层由COVAREP模型构成。
本发明实施例中，所述对齐层的主要作用是将所述初始文本特征、所述初始图像特征及所述初始语音特征映射到同一维度上，可以保证后续特征融合时的准确性。
本发明另一实施例中，可以通过下述公式将所述初始文本特征、所述初始图像特征及所述初始语音特征映射到同一维度：
fA＝FAD+bA
fＴ＝FＴD+bＴ
fＶ＝FＶD+bＶ
其中，所述fA表示语音特征；所述fT表示文本特征；所述fV表示图像特征；所述FＡ表示初始语音特征；所述FＴ表示初始文本特征；所述FＶ表示初始图像特征；所述bA表示初始语音特征的偏置矩阵；所述bT表示初始文本特征的偏置矩阵；所述bV表示初始图像特征的偏置矩阵；所述D表示映射空间维度。
所述双模态特征融合模块103，用于利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征。
本发明实施例中，所述双模态融合层是由时域卷积网络构成的融合层，主要作用是进行文本、图像及语音之间的两两特征融合，其中，所述双模态融合层包括：膨胀因果卷积模块及残差连接模块；所述膨胀因果卷积模块相比一般的卷积模块区别在于TCN网络可以根据层数、卷积核大小、扩张系数灵活控制感受野，同时梯度也更加的稳定，并且可以并行处理时序特征信息。
本发明实时例中，双模态融合层通过堆叠多个膨胀因果卷积层，扩大卷积视野，不但可以获取到更完整的序列特征，为各个阶段融合之后的特征信息提取到更深层次的语义信息，且逐步融合提取过程不断的增加不同模态之间的信息交融，使得多模态情感分类模型具备一定的鲁棒性。
本发明实施例通过利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征，可以增强不同模态特征的关联，获取更加完整的特征信息。
作为本发明的一个实施例，所述双模态特征融合模块103通过执行下述操作利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征，包括：
利用所述双模态融合层中的膨胀因果卷积模块将所述文本特征、所述图像特征及所述语音特征分别进行两两拼接，得到初始文本图像特征、初始文本语音特征及初始语音图像特征；
利用所述双模态融合层中残差连接模块分别将所述初始文本图像特征、所述初始文本语音特征及所述初始语音图像特征进行特征降维，得到所述文本图像特征、所述文本语音特征及所述语音图像特征。
其中，所述膨胀因果卷积模块主要作用是通过对因果卷积对当前的时刻输入xt和之前的输入x1，x2，x3，...，xt-1进行采样，进一步通过膨胀卷积控制采样率d(即控制膨胀卷积的空洞大小)，比如，d＝1，表示输入时每个点都采样，d＝2，表示输入时每2个点采样一个作为输入空洞卷积，使得采样窗口的大小随着层数呈指数型增长，从而卷积网络可以用比较少的层，就获得比较大的视野，保证特征融合的准确率。
本发明一实施例中，所述残差连接模块的主要作用是通过当卷积层数过深时，很容易出现梯度消失或梯度爆炸的现象，可以通过该残差连接将输入的xt和其经过非线性映射得到的G(x)求和，从而实现降维操作，以提高后续情感分类的效率。
本发明另一实施例中，可以通过下述公式对所述文本特征、所述图像特征及所述语音特征分别进行两两融合：
其中，所述fVA表示语音图像特征；所述fVT表示文本语音特征；所述fTA表示文本图像特征；所述
表示两个特征矩阵的拼接；所述GA表示语音特征；所述GV表示图片特征；所述GT表示文本特征；所述
表示在j时刻的语音图像特征矩阵；所述
表示在j时刻的文本图像特征矩阵；所述
表示在j时刻的文本语音特征矩阵；所述
表示初始语音图像特征的偏置矩阵；所述
表示初始文本图像特征的偏置矩阵；所述
表示初始文本语音特征的偏置矩阵。
本发明一可选实施例中，由于所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征并没有真实标注过，但训练集中有三个模态对应的情感标记，所以两两模态之间对应的情感标记与其所属的三个模态对应的情感标记一致。
所述多模态特征拼接模块104，用于利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征。
本发明实施例中，所述多模态特征是指融合文本图像特征、文本语音特征、语音图像特征、文本特征、图像特征及语音特征不同模态的特征。
本发明实施例中，所述多模态融合层也是由时域卷积网络(TCN)构成的融合层，主要作用也为逐步融合提取文本图像特征、文本语音特征及语音图像特征，不断的增加不同模态之间的信息交融，提升不同模态之间的交互，以提高需后续情感分类的准确率。
作为本发明的一个实施例，所述多模态特征拼接模块104通过执行下述操作利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征，包括：
利用所述多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到三模态特征；
将所述三模态特征与所述文本特征、所述图像特征及所述语音特征进行融合，得到所述多模态特征。
其中，所述利用所述多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，可以通过下述公式实现：
其中，所述fTAV表示三模态特征；所述
表示两个特征矩阵的拼接；所述fVA表示语音图像特征；所述fVT表示文本图像特征；所述fTA表示文本语音特征；所述
表示第j时刻的三模态特征矩阵；所述
表示三模态特征的偏置矩阵。
本发明一实施例中，可以通过下述公式将所述三模态特征与所述文本特征、所述图像特征及所述语音特征进行融合：
其中，所述GTAV表示多模态特征；所述
表示两个特征矩阵的拼接；所述fTAV表示三模态特征；所述GA表示语音特征；所述GV表示图片特征；所述GT表示文本特征；所述
表示j时刻的多模态特征矩阵；所述
表示多模态特征的偏置矩阵。
所述预测情感分类模块105，用于利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签。
本发明实施例中，所述软注意力机制层的作用住主要是过滤多模态特征的一些冗余信息及噪音信息，还可以弱化弱相关的多模态特征，强化强相关的多模态特征，从而提升模态信息之间的交互性。
作为本发明的一个实施例，所述预测情感分类模块105通过执行下述操作利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签，包括：
利用所述软注意力机制层计算所述多模态特征的注意力分布矩阵；
将所述注意力分布矩阵与所述多模态特征对应的多模态特征矩阵进行加权运算，得到所述多模态特征的预测情感标签。
其中，可以通过下述公式计算所述预测情感标签：
Fscored＝GTAV⊙Softmax(GTAVW1)·W2
其中，所述Fscored表示预测情感标签；所述GTAV表示多模态特征；所述W1、W2表示权重；所述⊙表示矩阵逐个元素相乘；所述Softmax的主要作用是输出所述注意力分布矩阵；所述(GTAVW1)·W2表示注意力分布矩阵。
本发明一实施例中，所述注意力分布矩阵的主要作用是通过权重参数弱化弱相关的多模态特征，强化强相关的多模态特征，进一步提升提升模态信息之间的交互性。
所述多模态情感分类模型训练模块106，用于利用所述多模态情感分类模型中的损失函数计算所述预测情感标签与所述实际情感标签的损失值，根据所述损失值调整所述多模态情感分类模型的参数，直至所述多模态情感分类模型满足预设条件时，得到训练完成的多模态情感分类模型。
本发明实施例中，所述预设条件可以根据所述实际模型训练场景设置，例如，预设条件可以为所述损失值小于预设阈值。
本发明实施例中，由于多模态情感分类模型的训练过程只是相应增加了组合的损失以及损失前的权重，当训练数据为更多的模态时，可以训练更多的融合模态特征，具备很强的扩展性。
本发明实施例中，所述损失函数包括交叉熵(cross entropy)函数。
作为本发明的一个实施例，所述多模态情感分类模型训练模块106通过执行下述操作利用所述多模态情感分类模型中的损失函数计算所述预测情感标签与所述实际情感标签的损失值，包括：
利用下述损失函数计算所述预测情感标签与所述实际情感标签的损失值：
其中，所述L(s)表示损失值；所述
表示预测情感标签；所述
表示实际情感标签；所述N表示训练的视频总数；所述i表示视频数量的变量；所述K表示最长的文本长度；所述j表示文本长度的变量；C表示情感分类的类别数目；所述c表示情感类别数目的变量。
比如，若情感分类采用二分类，则C＝2，对应的情感标签为积极情感或消极情感；若情感分类采用三分类，则C＝3，对应的对应的情感标签为积极情感、消极情感或中性情感。
本发明一可选实施例中，所述参数的调整可通过随机下降梯度算法实现。
所述情感分类模块107，用于获取待分类数据集，利用所述训练完成的多模态情感分类模型将所述待分类数据集进行情感分类，得到所述待分类数据集的情感结果。
本发明实施例中，多模态的情感分类是指对文本、视频、语音的多模态数据进行综合挖掘，发现其隐藏信息，并预测出其情感状态的分类方法。所述待分类的数据集可以为任意一段包含语音及文本的视频内容，并从该视频检测出待分类图片、待分类语音及待分类文本。所述情感结果是指待分类数据集包含的当前情感状态。
本发明实施例中，可以利用训练完成的多模态情感分类模型识别到待分类图片、待分类语音及待分类文本，并融合待分类图片、待分类语音及待分类文本的多模态特征，根据多模态特征中包含的情绪，得到所述待分类数据集的情感结果。
具体地，当待分类图片为人物在微笑对应待分类语音的语调为轻快的，且对应的待分类文本中存在积极词性(如喜欢、高兴)，则多模态特征包含的情绪为(喜欢、高兴)，得到所述待分类数据集的情感结果为积极情感。
本发明实施例中，首先通过利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征，可以准确提取不同模态的特征，便于保证后续特征融合的准确性；其次，通过利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征，可以增强不同模态特征的关联，获取更加完整的特征信息；进一步地，通过利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征，进一步增强多种模态特征的关联，提高模态特征之间的交互；最后，利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签，可以过滤多模态特征的一些冗余信息及噪音信息，进一步提升模态信息之间的交互，通过多模态情感分类模型的自训练，并利用训练完成的多模态情感分类模型将所述待分类数据集进行情感分类，可以不断提高模型的准确率，从而提高情感分类的准确率。因此本发明实施例提出的多模态情感分类装置可以提高情感分类的准确率。
如图5所示，是本发明实现多模态情感分类方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如多模态情感分类程序。
其中，所述存储器11至少包括一种类型的介质，所述介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、本地磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如多模态情感分类程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如多模态情感分类程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(PerIPheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的多模态情感分类程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取多模态数据训练集，其中，所述多模态数据训练集包括样本文本、样本图像及样本语音，并标记所述样本文本、所述样本图像及所述样本语音的实际情感标签；
利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征；
利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征；
利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征；
利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签；
利用所述多模态情感分类模型中的损失函数计算所述预测情感标签与所述实际情感标签的损失值，根据所述损失值调整所述多模态情感分类模型的参数，直至所述多模态情感分类模型满足预设条件时，得到训练完成的多模态情感分类模型；
获取待分类数据集，利用所述训练完成的多模态情感分类模型将所述待分类数据集进行情感分类，得到所述待分类数据集的情感结果。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携待所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取多模态数据训练集，其中，所述多模态数据训练集包括样本文本、样本图像及样本语音，并标记所述样本文本、所述样本图像及所述样本语音的实际情感标签；
利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征；
利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征；
利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征；
利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签；
利用所述多模态情感分类模型中的损失函数计算所述预测情感标签与所述实际情感标签的损失值，根据所述损失值调整所述多模态情感分类模型的参数，直至所述多模态情感分类模型满足预设条件时，得到训练完成的多模态情感分类模型；
获取待分类数据集，利用所述训练完成的多模态情感分类模型将所述待分类数据集进行情感分类，得到所述待分类数据集的情感结果。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的介质、设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种多模态情感分类方法，其特征在于，所述方法包括：
获取多模态数据训练集，其中，所述多模态数据训练集包括样本文本、样本图像及样本语音，并标记所述样本文本、所述样本图像及所述样本语音的实际情感标签；
利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征；
利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征；
利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征；
利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签；
利用所述多模态情感分类模型中的损失函数计算所述预测情感标签与所述实际情感标签的损失值，根据所述损失值调整所述多模态情感分类模型的参数，直至所述多模态情感分类模型满足预设条件时，得到训练完成的多模态情感分类模型；
获取待分类数据集，利用所述训练完成的多模态情感分类模型将所述待分类数据集进行情感分类，得到所述待分类数据集的情感结果。
2.如权利要求1所述的多模态情感分类方法，其特征在于，所述利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征，包括：
利用所述双模态融合层中的膨胀因果卷积模块将所述文本特征、所述图像特征及所述语音特征分别进行两两拼接，得到初始文本图像特征、初始文本语音特征及初始语音图像特征；
利用所述双模态融合层中残差连接模块分别将所述初始文本图像特征、所述初始文本语音特征及所述初始语音图像特征进行特征降维，得到所述文本图像特征、所述文本语音特征及所述语音图像特征。
3.如权利要求1所述的多模态情感分类方法，其特征在于，所述利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征，包括：
利用所述多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到三模态特征；
将所述三模态特征与所述文本特征、所述图像特征及所述语音特征进行融合，得到所述多模态特征。
4.如权利要求1所述的多模态情感分类方法，其特征在于，所述利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签，包括：
利用所述软注意力机制层计算所述多模态特征的注意力分布矩阵；
将所述注意力分布矩阵与所述多模态特征对应的多模态特征矩阵进行加权运算，得到所述多模态特征的预测情感标签。
5.如权利要求1所述的多模态情感分类方法，其特征在于，所述利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征，包括：
利用所述单模态层中的文本编码层提取所述样本文本对应的初始文本特征；
利用所述单模态层中的图像编码层提取所述样本图像对应的初始图像特征；
利用所述单模态层中的语音编码层提取所述样本语音对应的初始语音特征；
利用所述单模态层中的对齐层分别将所述初始文本特征、所述初始图像特征及所述初始语音特征映射到同一维度，得到所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征。
6.如权利要求1所述的多模态情感分类方法，其特征在于，所述利用所述多模态情感分类模型中的损失函数计算所述预测情感标签与所述实际情感标签的损失值，包括：
利用下述损失函数计算所述预测情感标签与所述实际情感标签的损失值：
其中，所述L(s)表示损失值；所述
表示预测情感标签；所述
表示实际情感标签；所述N表示训练的视频总数；所述i表示视频数量的变量；所述K表示最长的文本长度；所述j表示文本长度的变量；C表示情感分类的类别数目；所述c表示情感类别数目的变量。
7.如权利要求1所述的多模态情感分类方法，其特征在于，所述标记所述样本文本、所述样本图像及所述样本语音的实际情感标签，包括：
利用预设的指针算法对所述样本文本、所述样本图像及所述样本语音的实际情感进行标记，得到所述样本文本、所述样本图像及所述样本语音的实际情感标签。
8.一种多模态情感分类装置，其特征在于，所述装置包括：
情感标签标记模块，用于获取多模态数据训练集，其中，所述多模态数据训练集包括样本文本、样本图像及样本语音，并标记所述样本文本、所述样本图像及所述样本语音的实际情感标签；
单模态特征提取模块，用于利用预设的多模态情感分类模型中的单模态层提取所述样本文本对应的文本特征、所述样本图像对应的图像特征及所述样本语音对应的语音特征；
双模态特征融合模块，用于利用所述多模态情感分类模型中的双模态融合层将所述文本特征、所述图像特征及所述语音特征分别进行两两融合，得到文本图像特征、文本语音特征及语音图像特征；
多模态特征拼接模块，用于利用所述多模态情感分类模型中的多模态融合层将所述文本图像特征、所述文本语音特征及所述语音图像特征进行拼接，得到多模态特征；
预测情感分类模块，用于利用所述多模态情感分类模型中软注意力机制层将所述多模态特征进行情感分类，得到所述多模态特征的预测情感标签；
多模态情感分类模型训练模块，用于利用所述多模态情感分类模型中的损失函数计算所述预测情感标签与所述实际情感标签的损失值，根据所述损失值调整所述多模态情感分类模型的参数，直至所述多模态情感分类模型满足预设条件时，得到训练完成的多模态情感分类模型；
情感分类模块，用于获取待分类数据集，利用所述训练完成的多模态情感分类模型将所述待分类数据集进行情感分类，得到所述待分类数据集的情感结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的多模态情感分类方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的多模态情感分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210834137.1A CN115114408B (zh) | 2022-07-14 | 多模态情感分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210834137.1A CN115114408B (zh) | 2022-07-14 | 多模态情感分类方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115114408A true CN115114408A (zh) | 2022-09-27 |
| CN115114408B CN115114408B (zh) | 2024-05-31 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116661803A (zh) * | 2023-07-31 | 2023-08-29 | 腾讯科技（深圳）有限公司 | 多模态网页模板的处理方法、装置和计算机设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287389A (zh) * | 2019-05-31 | 2019-09-27 | 南京理工大学 | 基于文本、语音和视频融合的多模态情感分类方法 |
| CN112418034A (zh) * | 2020-11-12 | 2021-02-26 | 元梦人文智能国际有限公司 | 多模态情感识别方法、装置、电子设备和存储介质 |
| CN113420556A (zh) * | 2021-07-23 | 2021-09-21 | 平安科技（深圳）有限公司 | 基于多模态信号的情感识别方法、装置、设备及存储介质 |
| CN114708461A (zh) * | 2022-04-21 | 2022-07-05 | 平安科技（深圳）有限公司 | 基于多模态学习模型的分类方法、装置、设备及存储介质 |
| WO2022142014A1 (zh) * | 2020-12-29 | 2022-07-07 | 平安科技（深圳）有限公司 | 基于多模态信息融合的文本分类方法、及其相关设备 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287389A (zh) * | 2019-05-31 | 2019-09-27 | 南京理工大学 | 基于文本、语音和视频融合的多模态情感分类方法 |
| CN112418034A (zh) * | 2020-11-12 | 2021-02-26 | 元梦人文智能国际有限公司 | 多模态情感识别方法、装置、电子设备和存储介质 |
| WO2022142014A1 (zh) * | 2020-12-29 | 2022-07-07 | 平安科技（深圳）有限公司 | 基于多模态信息融合的文本分类方法、及其相关设备 |
| CN113420556A (zh) * | 2021-07-23 | 2021-09-21 | 平安科技（深圳）有限公司 | 基于多模态信号的情感识别方法、装置、设备及存储介质 |
| CN114708461A (zh) * | 2022-04-21 | 2022-07-05 | 平安科技（深圳）有限公司 | 基于多模态学习模型的分类方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116661803A (zh) * | 2023-07-31 | 2023-08-29 | 腾讯科技（深圳）有限公司 | 多模态网页模板的处理方法、装置和计算机设备 |
| CN116661803B (zh) * | 2023-07-31 | 2023-11-17 | 腾讯科技（深圳）有限公司 | 多模态网页模板的处理方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113051356B (zh) | 开放关系抽取方法、装置、电子设备及存储介质 | |
| CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
| CN113360654B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN115392237B (zh) | 情感分析模型训练方法、装置、设备及存储介质 | |
| CN116681082A (zh) | 离散文本语义分段方法、装置、设备及存储介质 | |
| CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
| CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
| CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
| CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
| CN115510188A (zh) | 文本关键词关联方法、装置、设备及存储介质 | |
| CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
| CN115114408B (zh) | 多模态情感分类方法、装置、设备及存储介质 | |
| CN115114408A (zh) | 多模态情感分类方法、装置、设备及存储介质 | |
| CN114385815A (zh) | 基于业务需求的新闻筛选方法、装置、设备及存储介质 | |
| CN113536782A (zh) | 敏感词识别方法、装置、电子设备及存储介质 | |
| CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
| CN111680513B (zh) | 特征信息的识别方法、装置及计算机可读存储介质 | |
| CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 | |
| CN115545031A (zh) | 多种注意力机制的实体识别方法、装置、设备及存储介质 | |
| CN115221274A (zh) | 文本情感分类方法、装置、电子设备及存储介质 | |
| CN116911258A (zh) | 文档要素识别方法、装置、电子设备及存储介质 | |
| CN116306656A (zh) | 实体关系抽取方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |