CN115496226A - 基于梯度调节的多模态情绪分析方法、装置、设备及存储 - Google Patents

Abstract

本公开提供了一种基于梯度调节的多模态情绪分析方法、装置、设备及存储，涉及人工智能、多模态情感分析技术领域。将三种情绪模态数据中的第一情绪模态数据当做第一训练集，进行动态梯度训练，确定第一参数；将三种情绪模态数据中的第二情绪模态数据当做第二训练集，进行动态梯度训练，根据第一参数确定第二参数；将三种情绪模态数据中的第三情绪模态数据当做第三训练集，进行梯度训练，根据第二参数确定第三参数，得到训练完成的多模态情绪分析模型。本公开根据不同模态流的不同信息进行梯度训练，使得模型在进行多模态数据训练时得以自适应地调节梯度，有效地解决了同时训练模态数据不平衡问题。

Description

基于梯度调节的多模态情绪分析方法、装置、设备及存储

技术领域

本公开涉及人工智能、多模态情感分析技术领域，尤其涉及一种基于梯度调节的多模态情绪分析方法、装置、设备及存储。

背景技术

随着科技飞速发展，人工智能已经成为当今人机互动中的热门话题。其中，情绪分析是人工智能领域的一个重要分支，是近年来的研究热点。情绪分析通过多种模态数据来挖掘人们对于产品、服务、组织、个人、事件等的观点、情感倾向、态度等。以往情绪分析方法聚焦于单模态分析。其中大部分方法均是利用文本信息挖掘和推理蕴含的情感。然而，多模态数据与单模态数据相比，包含了更丰富的信息，多个模态之间可以互相补充得到真实的情感分类结果。从人机交互角度出发，多模态情绪分析可以使得机器在更加自然的情况下与人进行交互，机器可以基于图像中人的表情和手势，声音中的音调，和识别出的自然语言来理解用户情感，进而进行反馈。综上所述，多模态情绪分析技术的发展源于实际生活的需求，人们自然的表达情感，技术就应有能力进行智能的理解和分析。

现有技术中，多模态情绪分析系统多模态融合方法往往是将多个模态的全部特征融合在一起进行训练，没有根据不同模态流在时间的跨度上表达的不同信息进行训练，导致同时训练模态数据不平衡问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供一种基于梯度调节的多模态情绪分析方法、装置、设备及存储，至少在一定程度上克服相关技术中多模态训练模型同时训练差异较大的异构模态数据的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种基于梯度调节的多模态情绪分析方法，包括：将三种情绪模态数据中的第一情绪模态数据当做第一训练集，进行动态梯度训练，确定第一参数；将三种情绪模态数据中的第二情绪模态数据当做第二训练集，进行动态梯度训练，根据所述第一参数确定第二参数；将三种情绪模态数据中的第三情绪模态数据当做第三训练集，进行梯度训练，根据所述第二参数确定第三参数，得到训练完成的多模态情绪分析模型。

在本公开的一个实施例中，动态梯度训练包括：获取训练集；将所述训练集采样一个批次作为第一批次；将所述第一批次在多模态情绪分析模型中前向传播，确定所述第一批次的差异比；根据所述第一批次的差异比，确定所述第一批次的调节比；将所述第一批次在多模态情绪分析模型中反向传播，确定梯度；根据所述调节比与梯度，更新所述多模态情绪分析模型的参数。

在本公开的一个实施例中，所述方法还包括：获取同一种情绪的三种时序长度不同模态数据；对所述三种时序长度不同模态数据分别编码，确定第一情绪模态数据、第二情绪模态数据和第三情绪模态数据。

在本公开的一个实施例中，所述方法还包括：对编码后的第一情绪模态数据、第二情绪模态数据和第三情绪模态数据通过平均池化操作进行特征提取。

在本公开的一个实施例中，所述方法还包括：采用注意力机制学习各个模态数据预设的关注部分；对每个模态的数据进行压缩，并与其他模态的信息进行预设信息共享。

在本公开的一个实施例中，其特征在于，所述第一情绪模态数据为文本数据，第二情绪模态数据为音频数据，第三情绪模态数据为视觉数据。

根据本公开的另一个方面，提供一种基于梯度调节的多模态情绪分析方法，包括：获取第一情绪模态数据、第二情绪模态数据和第三情绪模态数据；将所述第一情绪模态数据、第二情绪模态数据和第三情绪模态数据输入预先训练好的多模态情绪分析模型，输出情绪分析结果，其中，所述多模态情绪分析模型是将三种情绪模态数据分别进行动态梯度调节训练得到的。

根据本公开的再一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的基于梯度调节的多模态情绪分析方法。

根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于梯度调节的多模态情绪分析方法。

根据本公开的另一个方面，提供一种计算机程序产品，包括计算机指令，所述计算机指令存储在计算机可读存储介质中，所述计算机指令被处理器执行时实现上述任一项所述基于梯度调节的多模态情绪分析方法的操作指令。

本公开的实施例所提供的基于梯度调节的多模态情绪分析方法、装置、设备及存储，将三种情绪模态数据中的第一情绪模态数据当做第一训练集，进行动态梯度训练，确定第一参数；将三种情绪模态数据中的第二情绪模态数据当做第二训练集，进行动态梯度训练，根据第一参数确定第二参数；将三种情绪模态数据中的第三情绪模态数据当做第三训练集，进行梯度训练，根据第二参数确定第三参数，得到训练完成的多模态情绪分析模型。本公开实施例中，由于根据不同模态流的不同信息进行梯度训练，使得模型在进行多模态数据训练时得以自适应地调节梯度，有效地解决了同时训练模态数据不平衡问题。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本公开实施例中一种基于梯度调节的多模态情绪分析系统结构的示意图；

图2示出本公开实施例中一种动态梯度训练的流程图；

图3示出本公开实施例中另一种基于梯度调节的多模态情绪分析方法流程图；

图4示出本公开实施例中再一种基于梯度调节的多模态情绪分析方法流程图；

图5示出本公开实施例中另外一种基于梯度调节的多模态情绪分析方法流程图；

图6示出本公开实施例中另一种基于梯度调节的多模态情绪分析方法流程图；

图7示出本公开实施例中一种基于梯度调节的多模态情绪分析方法原理图；

图8示出本公开实施例中一种基于梯度调节的多模态情绪分析方法的时序多尺度编码模块框图；

图9示出本公开实施例中一种基于梯度调节的多模态情绪分析装置示意图；

图10示出本公开实施例中另一种基于梯度调节的多模态情绪分析装置示意图；

图11示出本公开实施例中一种电子设备的结构框图；

图12示出本公开实施例中一种计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

下面结合附图及实施例对本示例实施方式进行详细说明。

图1示出本公开实施例中一种基于梯度调节的多模态情绪分析方法流程图，如图1所示，本公开实施例中提供的基于梯度调节的多模态情绪分析方法包括如下步骤：

S102，将三种情绪模态数据中的第一情绪模态数据当做第一训练集，进行动态梯度训练，确定第一参数。

需要说明的是，上述情绪模态数据可以是表达情绪的数据，例如，上述情绪模态数据可以是同一种情绪的三种时序长度不同模态数据。上述第一情绪模态数据可以是经过预先处理的音频数据，例如，采用不同步长进行多尺度特征提取并将音频的低阶特征增强为高阶特征的数据。第一参数可以是神经网络模型在多模态优化阶段通过梯度算法得到的参数。

S104，将三种情绪模态数据中的第二情绪模态数据当做第二训练集，进行动态梯度训练，根据第一参数确定第二参数。

需要说明的是，上述第二情绪模态数据可以是经过预先处理的文本数据。第二参数可以是神经网络模型在多模态优化阶段通过梯度算法得到的参数，例如，可以通过结合文本数据更新第一参数获得。

S106，将三种情绪模态数据中的第三情绪模态数据当做第三训练集，进行梯度训练，根据第二参数确定第三参数，得到训练完成的多模态情绪分析模型。

需要说明的是，上述第三情绪模态数据可以是经过预先处理的视觉数据，例如，采用不同步长进行多尺度特征提取并将视觉模态的低阶特征增强为高阶特征的数据。第三参数可以是神经网络模型在多模态优化阶段通过梯度算法得到的参数，例如，可以通过结合视觉数据更新第二参数获得。

在具体实施时，根据不同模态流的不同信息进行梯度训练，使得模型在进行多模态数据训练时得以自适应地调节梯度，有效地解决了同时训练模态数据不平衡问题。

图2示出本公开实施例中一种动态梯度训练的流程图，如图2所示，本公开实施例中提供的动态梯度训练方法包括如下步骤：

S202，获取训练集。

需要说明的是，上述训练集可以是机器学习中用于建立模型的数据集。

S204，将训练集采样一个批次作为第一批次。

例如，从数据集D中采样一个批次(Batch)，记为B_t。

S206，将第一批次在多模态情绪分析模型中前向传播，确定第一批次的差异比。

需要说明的是，上述多模态情绪分析模型可以是神经网络模型。上述前向传播可以是正向传播算法，由前往后进行的一个算法。

例如，B_t在模型中前向传播，计算差异比ρ^u。三种模态的差异比通过如下述公式(1)、公式(1)和公式(2)分别定义：

其中，v为视频信息，a为音频信息，t为文本信息，

为对应的三种模态数据。

S208，根据第一批次的差异比，确定第一批次的调节比。

需要说明的是，上述调节比解决了在多模态训练时，会有一个起主导作用的模态数据，此数据会对另外模态的数据起到抑制作用的问题。

例如，计算调节比k^u，

的表达式如下述公式(4)：

S210，将第一批次在多模态情绪分析模型中反向传播，确定梯度。

需要说明的是，上述反向传播可以是反向传播算法，一种用于训练神经网络的算法。

例如，反向传播计算梯度

通过下述公式(5)进行计算：

其中，

表示当前Epoch模型的参数，u代表了三种模态数据，

为对模型的数学表达式求梯度。

S212，根据调节比与梯度，更新多模态情绪分析模型的参数。

例如，更新多模态情绪分析模型的参数

在计算梯度时引入调节比

模型的参数通过下述公式(6)进行计算：

其中，η为随机值。

在具体实施时，通过监控每种模态的数据对学习目标的贡献的差异来自适应地控制使用每种模态的数据进行训练优化时的速度。通过引入调节比进行梯度计算，解决了多模态训练中起主导作用的模态数据对另外模态的数据起到抑制作用的问题。此外，本公开不需要额外添加新的神经网络结构，结构简单，适用于其它多模态模型。

在本公开的一个实施例中，如图3所示，本公开实施例中提供的基于梯度调节的多模态情绪分析方法可以通过如下步骤来确定第一情绪模态数据、第二情绪模态数据和第三情绪模态数据，能够方便之后模型进行的分析处理：

S302，获取同一种情绪的三种时序长度不同模态数据；

S304，对三种时序长度不同模态数据分别编码，确定第一情绪模态数据、第二情绪模态数据和第三情绪模态数据。

例如，在一个具体的实例中，将表达同一种情绪的三种时序长度不同模态数据编码，以便之后进行的分析。本公开的输入涉及到三种模态数据，对于本文模态的数据，通过下述公式(7)进行编码：

其中，F_t为编码完的文本数据，I_t为时间尺度，本公开使用BERT(BidirectionalEncoder Representations from Transformers，基于转换器的双向编码表征)编码的最后一层的头部嵌入作为文本的原始特征，

为BERT模型训练好的参数。

对于音频和视觉数据，可以采用下述公式(8)进行编码：

F_m＝W_mX_m+b_m，m∈{v,a}； (8)

其中，m代表音频或视觉数据，本公开可以使用全连接层对这两种数据进行编码，W_m为可学习的权重参数，b_m为偏置项。

在本公开的一个实施例中，如图4所示，本公开实施例中提供的基于梯度调节的多模态情绪分析方法可以通过如下步骤来进行特征提取，能够进一步得到不同尺度的特征：

S402，对编码后的第一情绪模态数据、第二情绪模态数据和第三情绪模态数据通过平均池化操作进行特征提取。

例如，在一个具体的实例中，本公开对编码后的三种数据通过如下公式(9)进行平均池化操作以进行特征提取，能够进一步得到不同尺度的特征：

其中，F_m代表三种模态编码后的数据，

为特征提取后的结果。

在本公开的一个实施例中，如图5所示，本公开实施例中提供的基于梯度调节的多模态情绪分析方法可以通过如下步骤来进行多模态的信息共享，能够克服跨模态注意力的计算复杂性：

S502，采用注意力机制学习各个模态数据预设的关注部分；

S504，对每个模态的数据进行压缩，并与其他模态的信息进行预设信息共享。

例如，在一个具体的实例中，为了克服跨模态注意力的计算复杂性，本公开采用一种带有注意聚合模块的特征融合方法。首先使用注意力机制来学习各个模态数据需要关注的部分(相当于上述预设的关注部分)。随后，对每个模态的数据进行压缩，并与其他模态的信息进行信息共享，由于在上述步骤已经进行了注意力的处理，在信息共享时只共享必要的信息。此模块减少了传统跨模态特征融合的计算复杂度，同时又保持了多模态融合的性能。

具体地，为了克服跨模态注意力的二次计算复杂性，本公开提出了一种带有注意力聚合模块的特征融合机制。具体地，在通过一个瓶颈结构的注意力模块之后，本公开将跨模态流限制到网络的后期层，允许网络的早期层专门学习和提取单模态表征。首先，本公开使用Transformer编码器允许注意力在单模态内自由流动，以进行单模态表征学习。本公开定义了一种新的编码器，它由L层Transformer模块组成，每个Transformer层通过使用残差的多头自注意力(Multi-headed Self-attention，MSA)、层归一化(Layer Normalization，LN)和多层感知器(Multilayer Perceptron，MLP)块连接。于是，Transformer层h_m可以通过如下公式(10)、公式(11)进行定义：

其中，MSA是计算点积注意力，y^l代表增量，LN(·)表示层归一化操作，MLP(·)表示多层感知机计算操作，

表示第l+1层的视觉(v)或音频(a)的隐层表征。

其次，本公开可以进行特征融合。本公开强制一种模态在与另一种模态共享信息之前聚合信息。其核心思想是将长度为B(B<<d_m)的Token(令牌)

引入输入序列，这一操作克服了成对注意的二次复杂性。

本公开限制模型中的所有跨模态注意力流可以进行交互，并能够交换信息。对于第l层，本公开计算Tokens可以通过如下公式(12)、公式(13)、公式(14)表示：

其中，

为音频模态序列；

为视频模态序列；

为文本模态序列；

为经过SPT-Block稀疏注意力模块编码后更新的后一层的序列；

Transformer(·)表示使用参数θ_a/v/t对令牌进行前向Transformer计算。

在一个具体的实例中，本公开分别使用视觉、音频和文本模式更新三次。该操作允许模型压缩每个模态的信息，并仅共享必要的信息(相当于上述预设信息)，以降低计算复杂度，与此同时还可保持多模态融合的性能。

在一个具体的实施例中，本公开在综合损失函数中引入

损失，它可以通过调整每个模态，是模型的预测决定应从每个模式中获得多少信息。

损失可以通过如下公式(15)使用损失函数对标准化预测和真实向量进行测量，以测量它们的相关性。

其中，

为三种模态的对比预测编码损失函数之和；

为视频模态的损失函数；

为音频模态的损失函数；

为文本模态的损失函数；

表征融合结果，h_t表征文本模态序列、h_a表征音频隐藏状态序列、h_v表征视频隐藏状态序列。

本公开让融合结果反向预测“跨模态”的表示，以便可以将更多模态不变信息传递给融合结果。此外，通过将预测与每个模态对齐，使模型能够决定应该从每个模态接收多少信息。

在本公开的一个具体的实例中，第一情绪模态数据为文本数据，第二情绪模态数据为音频数据，第三情绪模态数据为视觉数据。

图6示出本公开实施例中另一种基于梯度调节的多模态情绪分析方法流程图，如图6所示，本公开实施例中提供的另一种基于梯度调节的多模态情绪分析方法包括如下步骤：

S602，获取第一情绪模态数据、第二情绪模态数据和第三情绪模态数据；

S604，将第一情绪模态数据、第二情绪模态数据和第三情绪模态数据输入预先训练好的多模态情绪分析模型，输出情绪分析结果，其中，多模态情绪分析模型是将三种情绪模态数据分别进行动态梯度调节训练得到的。

本公开多尺度特征提取加强了每个模态的表征，多模态梯度协调技术解决了多模态训练中的优化不平衡问题，可以根据模态间的差异自适应地调整梯度。

本公开可搭载于多种硬件设施。例如，搭载于智慧家居等产品，实现对家庭成员情绪进行分析，产品更加智能地做出决策，更好地服务用户需求。

本公开也可应用于医疗领域，能够通过分析病人的情感和心理压力的变化来检测可能出现的一些心理和精神的异常点，可以为医生做诊断提供辅助。

图7示出本公开实施例中一种基于梯度调节的多模态情绪分析方法原理图，如图7所示，本公开实施例中提供的实现基于梯度调节的多模态情绪分析方法包括如下模块：

音频输入71、文本输入71、视觉输入73、多尺度编码74、特征融合75、音频分类器76、文本分类器77、视觉分类器78、全连接层79、最终结果输出710和梯度调谐711。

在具体实施时，音频输入、文本输入与视觉输入到多尺度编码进行编码，再进入特征融合，分别通过对应的音频分类器、文本分类器、视觉分类器进入全连接层，通过梯度调谐进行反向传播优化，最后到最终结果输出。

图8示出本公开实施例中一种基于梯度调节的多模态情绪分析方法的时序多尺度编码模块框图，如图8所示，本公开实施例中提供的时序多尺度编码模块框图包括如下模块：

音频输入71、文本输入71、视觉输入73、全连接层81、BERT82和平均池化83。

在具体实施时，音频输入与视觉输入到全连接层进行编码，文本输入到BERT进行编码，编码后都进入平均池化进行特征提取。由于在不同模态的流的时间跨度中表达的信息是不同的，当前时间段的情绪往往受到前一个时间段的影响，因此在单模态表示阶段，使用不同的步长进行多尺度特征提取，以增强每个模态的表征效果。

基于同一发明构思，本公开实施例中还提供了一种基于梯度调节的多模态情绪分析装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。

图9示出本公开实施例中一种基于梯度调节的多模态情绪分析装置示意图，如图9所示，该装置包括：第一梯度训练模块901，第二梯度训练模块902，第三梯度训练模块903、多尺度编码模块904、特征提取模块905和信息共享模块906。

其中，第一梯度训练模块901，用于将三种情绪模态数据中的第一情绪模态数据当做第一训练集，进行动态梯度训练，确定第一参数；第二梯度训练模块902，用于将三种情绪模态数据中的第二情绪模态数据当做第二训练集，进行动态梯度训练，根据第一参数确定第二参数；第三梯度训练模块903，用于将三种情绪模态数据中的第三情绪模态数据当做第三训练集，进行梯度训练，根据第二参数确定第三参数，得到训练完成的多模态情绪分析模型。

在本公开的一个实施例中，第一梯度训练模块901，第二梯度训练模块902和第三梯度训练模块903中的动态梯度训练包括：获取训练集；将训练集采样一个批次作为第一批次；将第一批次在多模态情绪分析模型中前向传播，确定第一批次的差异比；根据第一批次的差异比，确定第一批次的调节比；将第一批次在多模态情绪分析模型中反向传播，确定梯度；根据调节比与梯度，更新多模态情绪分析模型的参数。

在本公开的一个实施例中，上述基于梯度调节的多模态情绪分析装置还包括多尺度编码模块904：用于获取同一种情绪的三种时序长度不同模态数据；对三种时序长度不同模态数据分别编码，确定第一情绪模态数据、第二情绪模态数据和第三情绪模态数据。

在本公开的一个实施例中，上述基于梯度调节的多模态情绪分析装置还包括特征提取模块905：用于对编码后的第一情绪模态数据、第二情绪模态数据和第三情绪模态数据通过平均池化操作进行特征提取。

在本公开的一个实施例中，上述基于梯度调节的多模态情绪分析装置还包括信息共享模块906：用于采用注意力机制学习各个模态数据预设的关注部分；对每个模态的数据进行压缩，并与其他模态的信息进行预设信息共享。

在本公开的一个实施例中，第一梯度训练模块901，第二梯度训练模块902和第三梯度训练模块903中的第一情绪模态数据为文本数据，第二情绪模态数据为音频数据，第三情绪模态数据为视觉数据。

图10示出本公开实施例中另一种基于梯度调节的多模态情绪分析装置示意图，如图10所示，该装置包括：数据获取模块1001和多模态情绪分析模块1002。

其中，数据获取模块1001，用于获取第一情绪模态数据、第二情绪模态数据和第三情绪模态数据；多模态情绪分析模块1002，用于将第一情绪模态数据、第二情绪模态数据和第三情绪模态数据输入预先训练好的多模态情绪分析模型，输出情绪分析结果，其中，多模态情绪分析模型是将三种情绪模态数据分别进行动态梯度调节训练得到的。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图11来描述根据本公开的这种实施方式的电子设备1100。图11显示的电子设备1100仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1110执行，使得所述处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

例如，所述处理单元1110可以执行上述方法实施例的如下步骤：将三种情绪模态数据中的第一情绪模态数据当做第一训练集，进行动态梯度训练，确定第一参数；将三种情绪模态数据中的第二情绪模态数据当做第二训练集，进行动态梯度训练，根据第一参数确定第二参数；将三种情绪模态数据中的第三情绪模态数据当做第三训练集，进行梯度训练，根据第二参数确定第三参数，得到训练完成的多模态情绪分析模型。

例如，所述处理单元1110可以执行上述方法实施例的如下步骤：获取训练集；将训练集采样一个批次作为第一批次；将第一批次在多模态情绪分析模型中前向传播，确定第一批次的差异比；根据第一批次的差异比，确定第一批次的调节比；将第一批次在多模态情绪分析模型中反向传播，确定梯度；根据调节比与梯度，更新多模态情绪分析模型的参数。

例如，所述处理单元1110可以执行上述方法实施例的如下步骤：获取同一种情绪的三种时序长度不同模态数据；对三种时序长度不同模态数据分别编码，确定第一情绪模态数据、第二情绪模态数据和第三情绪模态数据。

例如，所述处理单元1110可以执行上述方法实施例的如下步骤：对编码后的第一情绪模态数据、第二情绪模态数据和第三情绪模态数据通过平均池化操作进行特征提取。

例如，所述处理单元1110可以执行上述方法实施例的如下步骤：采用注意力机制学习各个模态数据预设的关注部分；对每个模态的数据进行压缩，并与其他模态的信息进行预设信息共享。

例如，所述处理单元1110可以执行上述方法实施例的如下步骤：获取第一情绪模态数据、第二情绪模态数据和第三情绪模态数据；将第一情绪模态数据、第二情绪模态数据和第三情绪模态数据输入预先训练好的多模态情绪分析模型，输出情绪分析结果，其中，多模态情绪分析模型是将三种情绪模态数据分别进行动态梯度调节训练得到的。

存储单元1120可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)11201和/或高速缓存存储单元11202，还可以进一步包括只读存储单元(ROM)11203。

存储单元1120还可以包括具有一组(至少一个)程序模块11205的程序/实用工具11204，这样的程序模块11205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1130可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1100也可以与一个或多个外部设备1140(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1100交互的设备通信，和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且，电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1160通过总线1130与电子设备1100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。图12示出本公开实施例中一种计算机可读存储介质的示意图，如图12所示，该计算机可读存储介质1200上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (11)

1.一种基于梯度调节的多模态情绪分析方法，其特征在于，包括：

将三种情绪模态数据中的第一情绪模态数据当做第一训练集，进行动态梯度训练，确定第一参数；

将三种情绪模态数据中的第二情绪模态数据当做第二训练集，进行动态梯度训练，根据所述第一参数确定第二参数；

将三种情绪模态数据中的第三情绪模态数据当做第三训练集，进行梯度训练，根据所述第二参数确定第三参数，得到训练完成的多模态情绪分析模型。

2.根据权利要求1所述的基于梯度调节的多模态情绪分析方法，其特征在于，动态梯度训练包括：

获取训练集；

将所述训练集采样一个批次作为第一批次；

将所述第一批次在多模态情绪分析模型中前向传播，确定所述第一批次的差异比；

根据所述第一批次的差异比，确定所述第一批次的调节比；

将所述第一批次在多模态情绪分析模型中反向传播，确定梯度；

根据所述调节比与梯度，更新所述多模态情绪分析模型的参数。

3.根据权利要求1所述的基于梯度调节的多模态情绪分析方法，其特征在于，所述方法还包括：

获取同一种情绪的三种时序长度不同模态数据；

对所述三种时序长度不同模态数据分别编码，确定第一情绪模态数据、第二情绪模态数据和第三情绪模态数据。

4.根据权利要求3所述的基于梯度调节的多模态情绪分析方法，其特征在于，所述方法还包括：

对编码后的第一情绪模态数据、第二情绪模态数据和第三情绪模态数据通过平均池化操作进行特征提取。

5.根据权利要求1所述的基于梯度调节的多模态情绪分析方法，其特征在于，所述方法还包括：

采用注意力机制学习各个模态数据预设的关注部分；

对每个模态的数据进行压缩，并与其他模态的信息进行预设信息共享。

6.根据权利要求1所述的基于梯度调节的多模态情绪分析方法，其特征在于，所述第一情绪模态数据为文本数据，第二情绪模态数据为音频数据，第三情绪模态数据为视觉数据。

7.一种基于梯度调节的多模态情绪分析方法，其特征在于，包括：

获取第一情绪模态数据、第二情绪模态数据和第三情绪模态数据；

将所述第一情绪模态数据、第二情绪模态数据和第三情绪模态数据输入预先训练好的多模态情绪分析模型，输出情绪分析结果，其中，所述多模态情绪分析模型是将三种情绪模态数据分别进行动态梯度调节训练得到的。

8.一种基于梯度调节的多模态情绪分析装置，其特征在于，包括：

第一梯度训练模块，用于将三种情绪模态数据中的第一情绪模态数据当做第一训练集，进行动态梯度训练，确定第一参数；

第二梯度训练模块，用于将三种情绪模态数据中的第二情绪模态数据当做第二训练集，进行动态梯度训练，根据所述第一参数确定第二参数；

第三梯度训练模块，用于将三种情绪模态数据中的第三情绪模态数据当做第三训练集，进行梯度训练，根据所述第二参数确定第三参数，得到训练完成的多模态情绪分析模型。

9.一种基于梯度调节的多模态情绪分析装置，其特征在于，包括：

数据获取模块，用于获取第一情绪模态数据、第二情绪模态数据和第三情绪模态数据；

多模态情绪分析模块，用于将所述第一情绪模态数据、第二情绪模态数据和第三情绪模态数据输入预先训练好的多模态情绪分析模型，输出情绪分析结果，其中，所述多模态情绪分析模型是将三种情绪模态数据分别进行动态梯度调节训练得到的。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述基于梯度调节的多模态情绪分析方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任意一项所述的基于梯度调节的多模态情绪分析方法。

Images