CN115457982A - 情感预测模型的预训练优化方法、装置、设备及介质 - Google Patents
情感预测模型的预训练优化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115457982A CN115457982A CN202211082543.3A CN202211082543A CN115457982A CN 115457982 A CN115457982 A CN 115457982A CN 202211082543 A CN202211082543 A CN 202211082543A CN 115457982 A CN115457982 A CN 115457982A
- Authority
- CN
- China
- Prior art keywords
- emotion
- level
- frame
- prediction model
- sentence
- 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.)
- Pending
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 278
- 238000012549 training Methods 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 230000006870 function Effects 0.000 claims description 32
- 238000005259 measurement Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 230000002996 emotional effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008909 emotion recognition Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于人工智能技术领域,尤其涉及一种情感预测模型的预训练优化方法、装置、设备及介质。该方法使用无监督情感预测模型提取句级语音的帧级特征,将句级语音的句级情感标签作为帧级特征的情感类别,对所有情感类别的帧级特征进行聚类,得到N个聚类中心点,将属于同一情感类别的所有帧级特征的均值作为锚点,得到M个锚点,计算所有聚类中心点分别与每个锚点的距离,根据聚类中心点和锚点对帧级特征赋予伪标签,以训练集中所有帧数据的伪标签为依据,对自监督情感预测模型进行训练,通过聚类进一步加强低维特征与情感信息的相关性,再将聚类分布作为情感伪标签,并以此进行训练,从而提高模型对情感信息的预测准确性。
Description
技术领域
本申请适用于人工智能技术领域,尤其涉及一种情感预测模型的预训练优化方法、装置、设备及介质。
背景技术
目前,语音情感识别(Speech Emotion Recognition,SER)是数字语音信号处理领域的一个新兴的研究方向,为人机交互开辟了全新的道路,在很多场景中扮演了重要的角色。呼叫中心使用SER技术跟踪客户情绪,为其提供更好的服务;在医学领域,基于SER技术的诊断系统能够分析患者的抑郁和痛苦的程度;还有许多其他应用也利用高效的SER系统提高他们的工作效率。
人类声音中的情感受到多方面因素,如性别、年龄、说话人、方言和文化的影响,因此如何更好的对情感进行建模一直是研究人员的重点研究方向。如今,基于深度学习(DeepLeraning)的方法成为了主流。其中,自注意力(Self-Supervised)预训练模型提供了一种高性能的解决方案。虽然预训练可以使用大规模异构数据集,获得性能强大且泛用性很好的模型,但是由于预训练任务与目标任务并不完全一致,即预训练域和目标域存在差异,导致预训练模型应用于特定任务的效果不够理想。在SER任务中,通常使用大量未标注的数据进行预训练,需要预训练的模型具备对未标注数据进行较为准确的情感信息提取。因此,如何对预训练模型进行预训练优化,以提高预训练模型对未标注数据的情感信息提取的准确性成为亟待解决的问题。
发明内容
有鉴于此,本申请实施例提供了一种情感预测模型的预训练优化方法、装置、设备及介质,以解决如何对预训练模型进行预训练优化,以提高预训练模型对未标注数据的情感信息提取的准确性的问题。
第一方面,本申请实施例提供一种情感预测模型的预训练优化方法,所述预训练优化方法包括:
针对训练集中任一句级语音,使用无监督情感预测模型提取所述句级语音中每一帧数据对应的帧级特征,将所述句级语音的句级情感标签作为所述帧级特征的情感类别,得到所述训练集中所有帧数据的帧级特征对应的情感类别,所述训练集中句级语音均标注有句级情感标签;
对所有情感类别的帧级特征进行聚类,得到N个聚类中心点,N为大于零的整数;
将属于同一情感类别的所有帧级特征的均值作为锚点,得到M个锚点,计算所有聚类中心点分别与每个锚点的距离,M为大于零的整数;
针对任一聚类中心点,确定与所述聚类中心点的距离最近的锚点为目标锚点,在所述目标锚点满足预设条件时,将所述目标锚点对应的句级情感标签作为所述聚类中心点内所有帧级特征的伪标签,得到所述训练集中所有帧数据的伪标签;
以所述训练集中所有帧数据的伪标签为依据,使用所述训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型,所述无监督情感预测模型和所述自监督情感预测模型均具有时间步长对齐的特征编码器。
在一实施方式中,在计算所有聚类中心点分别与每个锚点的距离之后,还包括:
针对任一聚类中心点,确定所有与所述聚类中心点的距离小于第一距离阈值的锚点;
确定与所述聚类中心点的距离最近的锚点为目标锚点包括:
从所有与所述聚类中心点的距离小于所述第一距离阈值的锚点中确定与所述聚类中心点的距离最近的锚点为目标锚点。
在一实施方式中,针对任一聚类中心点,确定与所述聚类中心点的距离最近的锚点为目标锚点,在所述目标锚点满足预设条件时,将所述目标锚点对应的句级情感标签作为所述聚类中心点内所有帧级特征的伪标签包括:
针对任一聚类中心点,确定与所述聚类中心点的距离最近的锚点为目标锚点;
检测所述目标锚点与所述聚类中心点的距离是否小于第二距离阈值;
若检测到所述目标锚点与所述聚类中心点的距离小于所述第二距离阈值,则确定所述目标锚点满足预设条件,将所述目标锚点对应的句级情感标签作为所述聚类中心点内所有帧级特征的伪标签。
在一实施方式中,在检测所述目标锚点与所述聚类中心点的距离是否小于第二距离阈值之后,还包括:
若检测到所述目标锚点与所述聚类中心点的距离不小于所述第二距离阈值,则确定所述目标锚点不满足预设条件,创建其他类锚点,将所述其他类锚点所定义的句级情感标签作为所述聚类中心点内所有帧级特征的伪标签。
在一实施方式中,在以所述训练集中所有帧数据的伪标签为依据,使用所述训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型之后,还包括:
针对训练集中任一句级语音,使用所述预训练好的自监督情感预测模型提取所述句级语音中每一帧数据对应的更新帧级特征,将所述句级语音的句级情感标签作为所述更新帧级特征的情感类别,得到所述训练集中所有帧数据的更新帧级特征对应的情感类别;
对所有情感类别的更新帧级特征进行聚类,得到N个更新聚类中心点,N为大于零的整数;
将属于同一情感类别的所有更新帧级特征的均值作为锚点,得到M个锚点,计算所有更新聚类中心点分别与每个锚点的距离,M为大于零的整数;
针对任一更新聚类中心点,确定与所述更新聚类中心点的距离最近的锚点为目标锚点,在所述目标锚点满足预设条件时,将所述目标锚点对应的句级情感标签作为所述更新聚类中心点内所有更新帧级特征的伪标签,得到所述训练集中所有帧数据的更新伪标签;
以所述训练集中所有帧数据的更新伪标签为依据,使用所述训练集对自监督情感预测模型进行训练,得到训练好的自监督情感预测模型。
在一实施方式中,所述无监督情感预测模型包括第一特征编码器、双向LSTM层和第一全连接层,所述第一特征编码器由CNN层构成,所述自监督情感预测模型包括第二特征编码器、Transformer层和第二全连接层,所述第二特征编码器由CNN层构成,所述第一特征编码器中CNN层的个数与所述第二特征编码器中CNN层的个数为相同;在针对训练集中任一句级语音,使用无监督情感预测模型提取所述句级语音中每一帧数据对应的帧级特征之前,还包括:
使用特征集对无监督情感预测模型进行训练,所述特征集包括句级语音样本及其对应的情感标签和所属情感类别标签;
对所述第一全连接层输出量进行softmax函数归一化,得到预测值;
通过第一交叉熵函数进行损失度量,重复使用特征集对无监督情感预测模型进行训练的步骤,直至损失度量的结果满足预设条件,得到训练好的无监督情感预测模型,其中,第一交叉熵函数Lg包括:
式中,Z为样本总数,C为总的情感类别个数,yi表示对应样本i所属的情感类别标签,cj表示情感标签,p(cj|Xi)表示对应输入特征xi的cj类的后验概率预测值。
在一实施方式中,所述第二全连接层包括两层的全连接层,所述训练集中所有帧数据的伪标签为依据,使用所述训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型包括:
使用所述训练集中所有帧数据及其对应的伪标签对自监督情感预测模型进行训练;
通过第二交叉熵函数进行损失度量,重复使用所述训练集中所有帧数据及其对应的伪标签对自监督情感预测模型进行训练的步骤,直至损失度量的结果满足预设条件,得到预训练好的自监督情感预测模型,其中,所述第二交叉熵函数Lv包括:
式中,表示使用所述特征编码器对帧数据进行编码并输出的低维特征,t表示通过所述第二全连接层遮蔽的遮蔽部分,zt表示使用Transformer层提取的所述遮蔽部分的上下文表示,表示所述遮蔽部分上下文的后验概率预测值。
第二方面,本申请实施例提供一种情感预测模型的预训练优化装置,所述预训练优化装置包括:
无监督训练模块,用于针对训练集中任一句级语音,使用无监督情感预测模型提取所述句级语音中每一帧数据对应的帧级特征,将所述句级语音的句级情感标签作为所述帧级特征的情感类别,得到所述训练集中所有帧数据的帧级特征对应的情感类别,所述训练集中句级语音均标注有句级情感标签;
特征聚类模块,用于对所有情感类别的帧级特征进行聚类,得到N个聚类中心点,N为大于零的整数;
特征计算模块,用于将属于同一情感类别的所有帧级特征的均值作为锚点,得到M个锚点,计算所有聚类中心点分别与每个锚点的距离,M为大于零的整数;
伪标签确定模块,用于针对任一聚类中心点,确定与所述聚类中心点的距离最近的锚点为目标锚点,在所述目标锚点满足预设条件时,将所述目标锚点对应的句级情感标签作为所述聚类中心点内所有帧级特征的伪标签,得到所述训练集中所有帧数据的伪标签;
自监督训练模块,用于以所述训练集中所有帧数据的伪标签为依据,使用所述训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型,所述无监督情感预测模型和所述自监督情感预测模型均具有时间步长对齐的特征编码器。
在一实施方式中,所述预训练优化装置还包括:
锚点筛选单元,用于在计算所有聚类中心点分别与每个锚点的距离之后,针对任一聚类中心点,确定所有与所述聚类中心点的距离小于第一距离阈值的锚点;
所述伪标签确定模块包括:
第一目标锚点确定单元,用于从所有与所述聚类中心点的距离小于所述第一距离阈值的锚点中确定与所述聚类中心点的距离最近的锚点为目标锚点。
在一实施方式中,所述伪标签确定模块包括:
第二目标锚点确定单元,用于针对任一聚类中心点,确定与所述聚类中心点的距离最近的锚点为目标锚点;
距离检测单元,用于检测所述目标锚点与所述聚类中心点的距离是否小于第二距离阈值;
第一伪标签确定单元,用于若检测到所述目标锚点与所述聚类中心点的距离小于所述第二距离阈值,则确定所述目标锚点满足预设条件,将所述目标锚点对应的句级情感标签作为所述聚类中心点内所有帧级特征的伪标签。
在一实施方式中,所述预训练优化装置还包括:
第二伪标签确定单元,用于在检测所述目标锚点与所述聚类中心点的距离是否小于第二距离阈值之后,若检测到所述目标锚点与所述聚类中心点的距离不小于所述第二距离阈值,则确定所述目标锚点不满足预设条件,创建其他类锚点,将所述其他类锚点所定义的句级情感标签作为所述聚类中心点内所有帧级特征的伪标签。
在一实施方式中,所述预训练优化装置还包括:
微调模块,所述微调模块具体用于:
在以所述训练集中所有帧数据的伪标签为依据,使用所述训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型之后,针对训练集中任一句级语音,使用所述预训练好的自监督情感预测模型提取所述句级语音中每一帧数据对应的更新帧级特征,将所述句级语音的句级情感标签作为所述更新帧级特征的情感类别,得到所述训练集中所有帧数据的更新帧级特征对应的情感类别;
对所有情感类别的更新帧级特征进行聚类,得到N个更新聚类中心点;
将属于同一情感类别的所有更新帧级特征的均值作为锚点,得到M个锚点,计算所有更新聚类中心点分别与每个锚点的距离;
针对任一更新聚类中心点,确定与所述更新聚类中心点的距离最近的锚点为目标锚点,在所述目标锚点满足预设条件时,将所述目标锚点对应的句级情感标签作为所述更新聚类中心点内所有更新帧级特征的伪标签,得到所述训练集中所有帧数据的更新伪标签;
以所述训练集中所有帧数据的更新伪标签为依据,使用所述训练集对自监督情感预测模型进行训练,得到训练好的自监督情感预测模型。
在一实施方式中,所述无监督情感预测模型包括第一特征编码器、双向LSTM层和第一全连接层,所述第一特征编码器由CNN层构成,所述自监督情感预测模型包括第二特征编码器、Transformer层和第二全连接层,所述第二特征编码器由CNN层构成,所述第一特征编码器中CNN层的个数与所述第二特征编码器中CNN层的个数为相同;所述预训练优化装置还包括:
训练模块,用于在针对训练集中任一句级语音,使用无监督情感预测模型提取所述句级语音中每一帧数据对应的帧级特征之前,使用特征集对无监督情感预测模型进行训练,所述特征集包括句级语音样本及其对应的情感标签和所属情感类别标签;
归一化模块,用于对所述第一全连接层输出量进行softmax函数归一化,得到预测值;
返回执行模块,用于通过第一交叉熵函数进行损失度量,重复使用特征集对无监督情感预测模型进行训练的步骤,直至损失度量的结果满足预设条件,得到训练好的无监督情感预测模型,其中,第一交叉熵函数Lg包括:
式中,Z为样本总数,C为总的情感类别个数,yi表示对应样本i所属的情感类别标签,cj表示情感标签,p(cj|Xi)表示对应输入特征xi的cj类的后验概率预测值。
在一实施方式中,所述第二全连接层包括两层的全连接层,所述自监督训练模块具体用于:
使用所述训练集中所有帧数据及其对应的伪标签对自监督情感预测模型进行训练;
通过第二交叉熵函数进行损失度量,重复使用所述训练集中所有帧数据及其对应的伪标签对自监督情感预测模型进行训练的步骤,直至损失度量的结果满足预设条件,得到预训练好的自监督情感预测模型,其中,所述第二交叉熵函数Lv包括:
式中,表示使用所述特征编码器对帧数据进行编码并输出的低维特征,t表示通过所述第二全连接层遮蔽的遮蔽部分,zt表示使用Transformer层提取的所述遮蔽部分的上下文表示,表示所述遮蔽部分上下文的后验概率预测值。
第三方面,本申请实施例提供一种计算机设备,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的预训练优化方法。
第四方面,本申请实施例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,所述计算机程序被处理器执行时实现如第一方面所述的预训练优化方法。
本申请实施例与现有技术相比存在的有益效果是:本申请针对训练集中任一句级语音,使用无监督情感预测模型提取句级语音中每一帧数据对应的帧级特征,将句级语音的句级情感标签作为帧级特征的情感类别,得到训练集中所有帧数据的帧级特征对应的情感类别,对所有情感类别的帧级特征进行聚类,得到N个聚类中心点,将属于同一情感类别的所有帧级特征的均值作为锚点,得到M个锚点,计算所有聚类中心点分别与每个锚点的距离,针对任一聚类中心点,确定与聚类中心点的距离最近的锚点为目标锚点,在目标锚点满足预设条件时,将目标锚点对应的句级情感标签作为聚类中心点内所有帧级特征的伪标签,得到训练集中所有帧数据的伪标签,以训练集中所有帧数据的伪标签为依据,使用训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型,通过聚类进一步加强低维特征与情感信息的相关性,再将聚类分布作为情感伪标签,并以此进行训练,从而提高模型对情感信息的预测准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种情感预测模型的预训练优化方法的一应用环境示意图;
图2是本申请实施例二提供的一种情感预测模型的预训练优化方法的流程示意图;
图3是本申请实施例三提供的一种情感预测模型的预训练优化装置的结构示意图;
图4是本申请实施例四提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解,以下实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案,下面通过具体实施例来进行说明。
本申请实施例一提供的一种情感预测模型的预训练优化方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、云端计算机设备、个人数字助理(personal digital assistant,PDA)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
参见图2,是本申请实施例二提供的一种情感预测模型的预训练优化方法的流程示意图,上述情感预测模型的预训练优化方法应用于图1中的服务端,服务端对应的计算机设备连接相应的数据库,以获取数据库中相应的训练用数据。上述计算机设备还可以连接相应的客户端,客户端为用户所操作,用户可以通过客户端向服务端提供相应的训练集。如图2所示,该情感预测模型的预训练优化方法可以包括以下步骤:
步骤S201,针对训练集中任一句级语音,使用无监督情感预测模型提取句级语音中每一帧数据对应的帧级特征,将句级语音的句级情感标签作为帧级特征的情感类别,得到训练集中所有帧数据的帧级特征对应的情感类别。
本申请中,训练集中包括至少一个句级语音,每个句级语音均标注有相应的句级情感标签,句级语音可以是指以句子为单位的一组语音数据,其中的句子可以为一组词语、一段话等,句级情感标签即为一个句子的标签,也即是一组语音数据中每一帧数据均对应一个句级情感标签。
无监督情感预测模型可以为wav2vec模型,该wav2vec模型包括特征编码器、一个双向LSTM层和一个全连接层,其中,全连接层中可以使用softmax函数进行归一化。
其中的特征编码器是用于与自监督情感预测模型进行时间步长的对齐而设定,如果自监督情感预测模型采用wav2vec2.0模型,该wav2vec2.0模型包含一个多层的CNN网络构成的特征编码器,相应地,在wav2vec模型中的特征编码器也需要具备与其相同层数的CNN网络。
帧级特征为每一帧数据的特征,也即是将句级语音分割为一帧帧的语音,对该一帧语音进行特征提取,对应的一个句级语音对应一个情感标签,该句级语音中所有帧语音的特征对应的情感类别为该句级语音的情感标签。
步骤S202,对所有情感类别的帧级特征进行聚类,得到N个聚类中心点。
本申请中,N为大于零的整数,使用改进的K-means聚类算法对帧级特征进行聚类,将帧级特征聚类为N簇,每一簇中所有帧级特征的均值对应的聚类中心点。
具体的可以是,从所有的帧级特征中任意选取N个帧级特征作为初始的聚类中心点,计算每个帧级特征与各个初始聚类中心之间的距离,把每个帧级特征分配给距离它最近的聚类中心点,重新计算每个聚类中心点对应的所有帧级特征的质心,如果新计算出来的质心和原来的聚类中心点之间的距离小于某一个设置的阈值,则表示重新计算的质心的位置变化不大,趋于稳定收敛,如果新的质心和原来的聚类中心点距离变化很大,则需要再次迭代,最终得到N个聚类中心点,也即是N簇。
步骤S203,将属于同一情感类别的所有帧级特征的均值作为锚点,得到M个锚点,计算所有聚类中心点分别与每个锚点的距离。
本申请中,M为大于零的整数。由于提取到的帧级特征已经能够表示一定的情感信息,所以提取同一情感类别的所有帧级特征的均值作为锚点,可以得到M个锚点,M也表示情感类别的总个数。使用上述的聚类结果,计算每个簇的聚类中心点与各个锚点之间的距离。
步骤S204,针对任一聚类中心点,确定与聚类中心点的距离最近的锚点为目标锚点,在目标锚点满足预设条件时,将目标锚点对应的句级情感标签作为聚类中心点内所有帧级特征的伪标签,得到训练集中所有帧数据的伪标签。
其中,在确定目标锚点之后,如果将预设条件定义为目标锚点和对应聚类中心点的距离小于特定值,则满足预设条件即为目标锚点与对应聚类中心点的距离小于该特定值。
与任一个聚类中心点的距离最近的锚点可能为一个或者多个,当为多个时,预设条件可定义为被选中,即从多个锚点中随机选取一个锚点作为被选中的锚点,也即是满足预设条件的锚点。
可选的是,在计算所有聚类中心点分别与每个锚点的距离之后,还包括:
针对任一聚类中心点,确定所有与聚类中心点的距离小于第一距离阈值的锚点;
确定与聚类中心点的距离最近的锚点为目标锚点包括:
从所有与聚类中心点的距离小于第一距离阈值的锚点中确定与聚类中心点的距离最近的锚点为目标锚点。
可选的是,针对任一聚类中心点,确定与聚类中心点的距离最近的锚点为目标锚点,在目标锚点满足预设条件时,将目标锚点对应的句级情感标签作为聚类中心点内所有帧级特征的伪标签包括:
针对任一聚类中心点,确定与聚类中心点的距离最近的锚点为目标锚点;
检测目标锚点与聚类中心点的距离是否小于第二距离阈值;
若检测到目标锚点与聚类中心点的距离小于第二距离阈值,则确定目标锚点满足预设条件,将目标锚点对应的句级情感标签作为聚类中心点内所有帧级特征的伪标签。
可选的是,在检测目标锚点与聚类中心点的距离是否小于第二距离阈值之后,还包括:
若检测到目标锚点与聚类中心点的距离不小于第二距离阈值,则确定目标锚点不满足预设条件,创建其他类锚点,将其他类锚点所定义的句级情感标签作为聚类中心点内所有帧级特征的伪标签。
其中,若聚类中心点与锚点之间的距离dij≤γ,则将这个聚类中心点的伪标签映射为该锚点对应的情感类别,γ表示预设的阈值,i∈(0,M),j∈(0,N);若距离大于γ,则创建新的other类锚点,作为非情感类别的统一类别表示,则最后共有M+1个伪标签。
步骤S205,以训练集中所有帧数据的伪标签为依据,使用训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型。
本申请中,无监督情感预测模型和自监督情感预测模型均具有时间步长对齐的特征编码器。
可选的是,无监督情感预测模型包括第一特征编码器、双向LSTM层和第一全连接层,第一特征编码器由CNN层构成,自监督情感预测模型包括第二特征编码器、Transformer层和第二全连接层,第二特征编码器由CNN层构成,第一特征编码器中CNN层的个数与第二特征编码器中CNN层的个数为相同;在针对训练集中任一句级语音,使用无监督情感预测模型提取句级语音中每一帧数据对应的帧级特征之前,还包括:
使用特征集对无监督情感预测模型进行训练,特征集包括句级语音样本及其对应的情感标签和所属情感类别标签;
对第一全连接层输出量进行softmax函数归一化,得到预测值;
通过第一交叉熵函数进行损失度量,重复使用特征集对无监督情感预测模型进行训练的步骤,直至损失度量的结果满足预设条件,得到训练好的无监督情感预测模型,其中,第一交叉熵函数Lg包括:
式中,Z为样本总数,C为总的情感类别个数,yi表示对应样本i所属的情感类别标签,cj表示情感标签,p(cj|Xi)表示对应输入特征xi的cj类的后验概率预测值。
其中,第二特征编码器由7层CNN组成,然后通过Transformer层获得上下文表示,再通过由两层全连接层组成的线性多头预测遮蔽部分的伪标签类别。
可选的是,第二全连接层包括两层的全连接层,训练集中所有帧数据的伪标签为依据,使用训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型包括:
使用训练集中所有帧数据及其对应的伪标签对自监督情感预测模型进行训练;
通过第二交叉熵函数进行损失度量,重复使用训练集中所有帧数据及其对应的伪标签对自监督情感预测模型进行训练的步骤,直至损失度量的结果满足预设条件,得到预训练好的自监督情感预测模型,其中,第二交叉熵函数Lv包括:
可选的是,在以训练集中所有帧数据的伪标签为依据,使用训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型之后,还包括:
针对训练集中任一句级语音,使用预训练好的自监督情感预测模型提取句级语音中每一帧数据对应的更新帧级特征,将句级语音的句级情感标签作为更新帧级特征的情感类别,得到训练集中所有帧数据的更新帧级特征对应的情感类别;
对所有情感类别的更新帧级特征进行聚类,得到N个更新聚类中心点,N为大于零的整数;
将属于同一情感类别的所有更新帧级特征的均值作为锚点,得到M个锚点,计算所有更新聚类中心点分别与每个锚点的距离,M为大于零的整数;
针对任一更新聚类中心点,确定与更新聚类中心点的距离最近的锚点为目标锚点,在目标锚点满足预设条件时,将目标锚点对应的句级情感标签作为更新聚类中心点内所有更新帧级特征的伪标签,得到训练集中所有帧数据的更新伪标签;
以训练集中所有帧数据的更新伪标签为依据,使用训练集对自监督情感预测模型进行训练,得到训练好的自监督情感预测模型。
其中,由于伪标签类别与情感类是相关的,因此这种方法可以专注于预测被遮蔽序列的情感信息。预训练结束后,可以直接使用wav2vec2.0替换wav2vec,按照步骤S201至步骤S205对预训练的自监督情感预测模型进行微调,进而得到训练好的自监督情感预测模型。
本申请实施例针对训练集中任一句级语音,使用无监督情感预测模型提取句级语音中每一帧数据对应的帧级特征,将句级语音的句级情感标签作为帧级特征的情感类别,得到训练集中所有帧数据的帧级特征对应的情感类别,对所有情感类别的帧级特征进行聚类,得到N个聚类中心点,将属于同一情感类别的所有帧级特征的均值作为锚点,得到M个锚点,计算所有聚类中心点分别与每个锚点的距离,针对任一聚类中心点,确定与聚类中心点的距离最近的锚点为目标锚点,在目标锚点满足预设条件时,将目标锚点对应的句级情感标签作为聚类中心点内所有帧级特征的伪标签,得到训练集中所有帧数据的伪标签,以训练集中所有帧数据的伪标签为依据,使用训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型,通过聚类进一步加强低维特征与情感信息的相关性,再将聚类分布作为情感伪标签,并以此进行训练,从而提高模型对情感信息的预测准确性。
对应于上文实施例的情感预测模型的预训练优化方法,图3示出了本申请实施例三提供的情感预测模型的预训练优化装置的结构框图,上述预训练优化装置应用于图1中的服务端,服务端对应的计算机设备连接相应的数据库,以获取数据库中相应的训练用数据。上述计算机设备还可以连接相应的客户端,客户端为用户所操作,用户可以通过客户端向服务端提供相应的训练集。为了便于说明,仅示出了与本申请实施例相关的部分。
参见图3,该预训练优化装置包括:
无监督训练模块31,用于针对训练集中任一句级语音,使用无监督情感预测模型提取句级语音中每一帧数据对应的帧级特征,将句级语音的句级情感标签作为帧级特征的情感类别,得到训练集中所有帧数据的帧级特征对应的情感类别;
特征聚类模块32,用于对所有情感类别的帧级特征进行聚类,得到N个聚类中心点,N为大于零的整数;
特征计算模块33,用于将属于同一情感类别的所有帧级特征的均值作为锚点,得到M个锚点,计算所有聚类中心点分别与每个锚点的距离,M为大于零的整数;
伪标签确定模块34,用于针对任一聚类中心点,确定与聚类中心点的距离最近的锚点为目标锚点,在目标锚点满足预设条件时,将目标锚点对应的句级情感标签作为聚类中心点内所有帧级特征的伪标签,得到训练集中所有帧数据的伪标签;
自监督训练模块35,用于以训练集中所有帧数据的伪标签为依据,使用训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型,无监督情感预测模型和自监督情感预测模型均具有时间步长对齐的特征编码器。
可选的是,预训练优化装置还包括:
锚点筛选单元,用于在计算所有聚类中心点分别与每个锚点的距离之后,针对任一聚类中心点,确定所有与聚类中心点的距离小于第一距离阈值的锚点;
伪标签确定模块34包括:
第一目标锚点确定单元,用于从所有与聚类中心点的距离小于第一距离阈值的锚点中确定与聚类中心点的距离最近的锚点为目标锚点。
可选的是,伪标签确定模块34包括:
第二目标锚点确定单元,用于针对任一聚类中心点,确定与聚类中心点的距离最近的锚点为目标锚点;
距离检测单元,用于检测目标锚点与聚类中心点的距离是否小于第二距离阈值;
第一伪标签确定单元,用于若检测到目标锚点与聚类中心点的距离小于第二距离阈值,则确定目标锚点满足预设条件,将目标锚点对应的句级情感标签作为聚类中心点内所有帧级特征的伪标签。
可选的是,预训练优化装置还包括:
第二伪标签确定单元,用于在检测目标锚点与聚类中心点的距离是否小于第二距离阈值之后,若检测到目标锚点与聚类中心点的距离不小于第二距离阈值,则确定目标锚点不满足预设条件,创建其他类锚点,将其他类锚点所定义的句级情感标签作为聚类中心点内所有帧级特征的伪标签。
可选的是,预训练优化装置还包括:
微调模块,微调模块具体用于:
在以训练集中所有帧数据的伪标签为依据,使用训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型之后,针对训练集中任一句级语音,使用预训练好的自监督情感预测模型提取句级语音中每一帧数据对应的更新帧级特征,将句级语音的句级情感标签作为更新帧级特征的情感类别,得到训练集中所有帧数据的更新帧级特征对应的情感类别;
对所有情感类别的更新帧级特征进行聚类,得到N个更新聚类中心点;
将属于同一情感类别的所有更新帧级特征的均值作为锚点,得到M个锚点,计算所有更新聚类中心点分别与每个锚点的距离;
针对任一更新聚类中心点,确定与更新聚类中心点的距离最近的锚点为目标锚点,在目标锚点满足预设条件时,将目标锚点对应的句级情感标签作为更新聚类中心点内所有更新帧级特征的伪标签,得到训练集中所有帧数据的更新伪标签;
以训练集中所有帧数据的更新伪标签为依据,使用训练集对自监督情感预测模型进行训练,得到训练好的自监督情感预测模型。
可选的是,无监督情感预测模型包括第一特征编码器、双向LSTM层和第一全连接层,第一特征编码器由CNN层构成,自监督情感预测模型包括第二特征编码器、Transformer层和第二全连接层,第二特征编码器由CNN层构成,第一特征编码器中CNN层的个数与第二特征编码器中CNN层的个数为相同;预训练优化装置还包括:
训练模块,用于在针对训练集中任一句级语音,使用无监督情感预测模型提取句级语音中每一帧数据对应的帧级特征之前,使用特征集对无监督情感预测模型进行训练,特征集包括句级语音样本及其对应的情感标签和所属情感类别标签;
归一化模块,用于对第一全连接层输出量进行softmax函数归一化,得到预测值;
返回执行模块,用于通过第一交叉熵函数进行损失度量,重复使用特征集对无监督情感预测模型进行训练的步骤,直至损失度量的结果满足预设条件,得到训练好的无监督情感预测模型,其中,第一交叉熵函数Lg包括:
式中,Z为样本总数,C为总的情感类别个数,yi表示对应样本i所属的情感类别标签,cj表示情感标签,p(cj|Xi)表示对应输入特征xi的cj类的后验概率预测值。
可选的是,第二全连接层包括两层的全连接层,自监督训练模块35具体用于:
使用训练集中所有帧数据及其对应的伪标签对自监督情感预测模型进行训练;
通过第二交叉熵函数进行损失度量,重复使用训练集中所有帧数据及其对应的伪标签对自监督情感预测模型进行训练的步骤,直至损失度量的结果满足预设条件,得到预训练好的自监督情感预测模型,其中,第二交叉熵函数Lv包括:
需要说明的是,上述模块之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图4为本申请实施例四提供的一种计算机设备的结构示意图。如图4所示,该实施例的计算机设备包括:至少一个处理器(图4中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意各个情感预测模型的预训练优化方法实施例中的步骤。
该计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图4仅仅是计算机设备的举例,并不构成对计算机设备的限定,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU,该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等,其中,内存储器可以是计算机设备的内存,内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘,在另一些实施例中也可以是计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘、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,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。集成的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存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种情感预测模型的预训练优化方法,其特征在于,所述预训练优化方法包括:
针对训练集中任一句级语音,使用无监督情感预测模型提取所述句级语音中每一帧数据对应的帧级特征,将所述句级语音的句级情感标签作为所述帧级特征的情感类别,得到所述训练集中所有帧数据的帧级特征对应的情感类别,所述训练集中句级语音均标注有句级情感标签;
对所有情感类别的帧级特征进行聚类,得到N个聚类中心点,N为大于零的整数;
将属于同一情感类别的所有帧级特征的均值作为锚点,得到M个锚点,计算所有聚类中心点分别与每个锚点的距离,M为大于零的整数;
针对任一聚类中心点,确定与所述聚类中心点的距离最近的锚点为目标锚点,在所述目标锚点满足预设条件时,将所述目标锚点对应的句级情感标签作为所述聚类中心点内所有帧级特征的伪标签,得到所述训练集中所有帧数据的伪标签;
以所述训练集中所有帧数据的伪标签为依据,使用所述训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型,所述无监督情感预测模型和所述自监督情感预测模型均具有时间步长对齐的特征编码器。
2.根据权利要求1所述的预训练优化方法,其特征在于,在计算所有聚类中心点分别与每个锚点的距离之后,还包括:
针对任一聚类中心点,确定所有与所述聚类中心点的距离小于第一距离阈值的锚点;
确定与所述聚类中心点的距离最近的锚点为目标锚点包括:
从所有与所述聚类中心点的距离小于所述第一距离阈值的锚点中确定与所述聚类中心点的距离最近的锚点为目标锚点。
3.根据权利要求1所述的预训练优化方法,其特征在于,针对任一聚类中心点,确定与所述聚类中心点的距离最近的锚点为目标锚点,在所述目标锚点满足预设条件时,将所述目标锚点对应的句级情感标签作为所述聚类中心点内所有帧级特征的伪标签包括:
针对任一聚类中心点,确定与所述聚类中心点的距离最近的锚点为目标锚点;
检测所述目标锚点与所述聚类中心点的距离是否小于第二距离阈值;
若检测到所述目标锚点与所述聚类中心点的距离小于所述第二距离阈值,则确定所述目标锚点满足预设条件,将所述目标锚点对应的句级情感标签作为所述聚类中心点内所有帧级特征的伪标签。
4.根据权利要求3所述的预训练优化方法,其特征在于,在检测所述目标锚点与所述聚类中心点的距离是否小于第二距离阈值之后,还包括:
若检测到所述目标锚点与所述聚类中心点的距离不小于所述第二距离阈值,则确定所述目标锚点不满足预设条件,创建其他类锚点,将所述其他类锚点所定义的句级情感标签作为所述聚类中心点内所有帧级特征的伪标签。
5.根据权利要求1所述的预训练优化方法,其特征在于,在以所述训练集中所有帧数据的伪标签为依据,使用所述训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型之后,还包括:
针对训练集中任一句级语音,使用所述预训练好的自监督情感预测模型提取所述句级语音中每一帧数据对应的更新帧级特征,将所述句级语音的句级情感标签作为所述更新帧级特征的情感类别,得到所述训练集中所有帧数据的更新帧级特征对应的情感类别;
对所有情感类别的更新帧级特征进行聚类,得到N个更新聚类中心点,N为大于零的整数;
将属于同一情感类别的所有更新帧级特征的均值作为锚点,得到M个锚点,计算所有更新聚类中心点分别与每个锚点的距离,M为大于零的整数;
针对任一更新聚类中心点,确定与所述更新聚类中心点的距离最近的锚点为目标锚点,在所述目标锚点满足预设条件时,将所述目标锚点对应的句级情感标签作为所述更新聚类中心点内所有更新帧级特征的伪标签,得到所述训练集中所有帧数据的更新伪标签;
以所述训练集中所有帧数据的更新伪标签为依据,使用所述训练集对自监督情感预测模型进行训练,得到训练好的自监督情感预测模型。
6.根据权利要求1至5任一项所述的预训练优化方法,其特征在于,所述无监督情感预测模型包括第一特征编码器、双向LSTM层和第一全连接层,所述第一特征编码器由CNN层构成,所述自监督情感预测模型包括第二特征编码器、Transformer层和第二全连接层,所述第二特征编码器由CNN层构成,所述第一特征编码器中CNN层的个数与所述第二特征编码器中CNN层的个数为相同;在针对训练集中任一句级语音,使用无监督情感预测模型提取所述句级语音中每一帧数据对应的帧级特征之前,还包括:
使用特征集对无监督情感预测模型进行训练,所述特征集包括句级语音样本及其对应的情感标签和所属情感类别标签;
对所述第一全连接层输出量进行softmax函数归一化,得到预测值;
通过第一交叉熵函数进行损失度量,重复使用特征集对无监督情感预测模型进行训练的步骤,直至损失度量的结果满足预设条件,得到训练好的无监督情感预测模型,其中,第一交叉熵函数Lg包括:
式中,Z为样本总数,C为总的情感类别个数,yi表示对应样本i所属的情感类别标签,cj表示情感标签,p(cj|Xi)表示对应输入特征xi的cj类的后验概率预测值。
7.根据权利要求6所述的预训练优化方法,其特征在于,所述第二全连接层包括两层的全连接层,所述训练集中所有帧数据的伪标签为依据,使用所述训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型包括:
使用所述训练集中所有帧数据及其对应的伪标签对自监督情感预测模型进行训练;
通过第二交叉熵函数进行损失度量,重复使用所述训练集中所有帧数据及其对应的伪标签对自监督情感预测模型进行训练的步骤,直至损失度量的结果满足预设条件,得到预训练好的自监督情感预测模型,其中,所述第二交叉熵函数Lv包括:
8.一种情感预测模型的预训练优化装置,其特征在于,所述预训练优化装置包括:
无监督训练模块,用于针对训练集中任一句级语音,使用无监督情感预测模型提取所述句级语音中每一帧数据对应的帧级特征,将所述句级语音的句级情感标签作为所述帧级特征的情感类别,得到所述训练集中所有帧数据的帧级特征对应的情感类别,所述训练集中句级语音均标注有句级情感标签;
特征聚类模块,用于对所有情感类别的帧级特征进行聚类,得到N个聚类中心点,N为大于零的整数;
特征计算模块,用于将属于同一情感类别的所有帧级特征的均值作为锚点,得到M个锚点,计算所有聚类中心点分别与每个锚点的距离,M为大于零的整数;
伪标签确定模块,用于针对任一聚类中心点,确定与所述聚类中心点的距离最近的锚点为目标锚点,在所述目标锚点满足预设条件时,将所述目标锚点对应的句级情感标签作为所述聚类中心点内所有帧级特征的伪标签,得到所述训练集中所有帧数据的伪标签;
自监督训练模块,用于以所述训练集中所有帧数据的伪标签为依据,使用所述训练集对自监督情感预测模型进行训练,得到预训练好的自监督情感预测模型,所述无监督情感预测模型和所述自监督情感预测模型均具有时间步长对齐的特征编码器。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的预训练优化方法。
10.一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,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任一项所述的预训练优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211082543.3A CN115457982A (zh) | 2022-09-06 | 2022-09-06 | 情感预测模型的预训练优化方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211082543.3A CN115457982A (zh) | 2022-09-06 | 2022-09-06 | 情感预测模型的预训练优化方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115457982A true CN115457982A (zh) | 2022-12-09 |
Family
ID=84302659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211082543.3A Pending CN115457982A (zh) | 2022-09-06 | 2022-09-06 | 情感预测模型的预训练优化方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457982A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171557A (zh) * | 2023-08-03 | 2023-12-05 | 武汉纺织大学 | 基于脑电信号的自监督情绪识别模型的预训练方法及装置 |
CN117649861A (zh) * | 2023-10-31 | 2024-03-05 | 北京邮电大学 | 基于帧级别情感状态对齐的语音情感识别方法和系统 |
-
2022
- 2022-09-06 CN CN202211082543.3A patent/CN115457982A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171557A (zh) * | 2023-08-03 | 2023-12-05 | 武汉纺织大学 | 基于脑电信号的自监督情绪识别模型的预训练方法及装置 |
CN117171557B (zh) * | 2023-08-03 | 2024-03-22 | 武汉纺织大学 | 基于脑电信号的自监督情绪识别模型的预训练方法及装置 |
CN117649861A (zh) * | 2023-10-31 | 2024-03-05 | 北京邮电大学 | 基于帧级别情感状态对齐的语音情感识别方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021174757A1 (zh) | 语音情绪识别方法、装置、电子设备及计算机可读存储介质 | |
CN115457982A (zh) | 情感预测模型的预训练优化方法、装置、设备及介质 | |
CN111177186B (zh) | 基于问题检索的单句意图识别方法、装置和系统 | |
CN109086265B (zh) | 一种语义训练方法、短文本中多语义词消歧方法 | |
CN111178036B (zh) | 一种知识蒸馏的文本相似度匹配模型压缩方法及系统 | |
CN114298050A (zh) | 模型的训练方法、实体关系抽取方法、装置、介质、设备 | |
CN113704410A (zh) | 情绪波动检测方法、装置、电子设备及存储介质 | |
CN113239702A (zh) | 意图识别方法、装置、电子设备 | |
CN114896067A (zh) | 任务请求信息的自动生成方法、装置、计算机设备及介质 | |
CN115034315A (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
Younis et al. | A new parallel bat algorithm for musical note recognition. | |
CN117112829B (zh) | 医疗数据跨模态检索方法、装置和相关设备 | |
CN117725211A (zh) | 一种基于自构建提示模板的文本分类方法和系统 | |
CN116580702A (zh) | 基于人工智能的语音识别方法、装置、计算机设备及介质 | |
CN116844573A (zh) | 基于人工智能的语音情感识别方法、装置、设备及介质 | |
CN116757195A (zh) | 一种基于提示学习的隐性情感识别方法 | |
CN115510188A (zh) | 文本关键词关联方法、装置、设备及存储介质 | |
CN114443864A (zh) | 跨模态数据的匹配方法、装置及计算机程序产品 | |
CN115620749A (zh) | 基于人工智能的预训练优化方法、装置、设备及介质 | |
CN113469237A (zh) | 用户意图识别方法、装置、电子设备及存储介质 | |
CN117541044B (zh) | 基于项目风险分析的项目分类方法、系统、介质及设备 | |
CN116561540B (zh) | 业务数据校正方法、装置及ai数字人的训练方法、装置 | |
CN116453702B (zh) | 孤独症行为特征集的数据处理方法、设备、系统及介质 | |
CN113408780B (zh) | 汽车未来保值率预测方法、系统、设备及可读存储介质 | |
CN113723554B (zh) | 模型调度方法、装置、电子设备及计算机可读存储介质 |
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 |