CN116595181B - 一种结合情感分析的个性化对话方法及系统 - Google Patents
一种结合情感分析的个性化对话方法及系统 Download PDFInfo
- Publication number
- CN116595181B CN116595181B CN202310825794.4A CN202310825794A CN116595181B CN 116595181 B CN116595181 B CN 116595181B CN 202310825794 A CN202310825794 A CN 202310825794A CN 116595181 B CN116595181 B CN 116595181B
- Authority
- CN
- China
- Prior art keywords
- emotion
- classification
- sentences
- model
- emotion classification
- 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.)
- Active
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013145 classification model Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000013461 design Methods 0.000 claims description 9
- 230000010365 information processing Effects 0.000 claims description 6
- 230000007935 neutral effect Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 210000003813 thumb Anatomy 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种结合情感分析的个性化对话方法及系统,方法包括:输入多模态语句,对所述多模态语句进行处理,并通过情感分类模型对所述多模态语句进行分类,输出高细腻度的情感分类结果;将所述高细腻度的情感分类结果通过Prompt模板进行修饰,引导预训练大模型输出富含情感的语句;其中,所述情感分类模型的分类头基于二级情感类别体系设计,所述情感分类模型以Transformer结构为特征提取单元。本发明可以通过提升语句情感判别的细腻度,增强对话系统个性化表达的能力。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种结合情感分析的个性化对话方法及系统。
背景技术
智能对话是近些年人工智能领域研究的重点。按应用场景可以分为智能客服类、个人助手类和社交聊天类。其中智能客服类侧重于向消费者提供自家产品和服务的信息;个人助手类以具体产品为载体提供闲聊和指定任务的执行功能;社交聊天类则提供开放领域的闲聊服务。
通常来说基于开放领域的社交聊天类对话系统技术难度最高,因为其要求系统掌握人类通用知识,能够理解人类的任意语句,并对其做合理的回答。
以ChatGPT为代表的大模型的出现使得开放域对话系统能力大大提升,能轻松面对大部分人类提问,甚至能解决某些专业方面的问题。
然而这类模型的绝大多数回答虽然能保证语法逻辑正确性,但回复的情感属性总是偏中性,与人类对话有很大的差异。
情感分析是NLP(自然语言处理)领域的一个热门话题,该方向研究如何通过机器判断词元、语句和文章的情感倾向。但应用在开放域对话系统存在如下问题:
情感类别粒度太粗,一般只分为积极、消极和中性;
数据模态单一,仅针对文本数据,网络聊天中的表情符号没有考虑;
带标签的训练数据太少。
现有技术中公开了对社交媒体前100个使用频次最高的表情符号做词向量建模,通过word2vec算法训练其情感极性。但该方法只能反映表情符号的固定含义,无法随着上下文做调整。
发明内容
本发明针对机器回复缺少情感要素的问题,提出了一种结合情感分析的个性化对话方法及系统,引导生成富含特定情感的回答,增强对话的个性化。
一方面,为实现上述目的,本发明提出了一种结合情感分析的个性化对话方法,包括:
输入多模态语句,对所述多模态语句进行处理,并通过情感分类模型对所述多模态语句进行分类,输出高细腻度的情感分类结果;
将所述高细腻度的情感分类结果通过Prompt模板进行修饰,引导预训练大模型输出富含情感的语句;
其中,所述情感分类模型的分类头基于二级情感类别体系设计,所述情感分类模型以Transformer结构为特征提取单元。
优选地,对所述多模态语句进行处理包括:
统计社交媒体中高概率使用的若干表情符号,将所述表情符号补充进选定的词表,获取扩充后的词元向量矩阵。
优选地,获取所述扩充后的词元向量矩阵,包括:
针对经过训练的词元特征向量矩阵,选取与所述表情符号含义最近的词元特征向量作为该表情符号的初始特征向量,将其补充进所述词元特征向量矩阵中,获取所述扩充后的词元特征向量矩阵。
优选地,所述情感分类模型的分类头通过二级情感类别体系进行设计,包括:
将NLP情感分类任务设置的类别进行细粒度划分,分别对每一种现有一级情感类别体系进行细分,获取所述二级情感类别体系;
基于所述二级情感类别体系,获取所述情感分类模型的多级分类头。
优选地,所述多级分类头由两层MLP结构组成,所述两层MLP结构包括一级情感类别单元和二级情感类别单元,其中,所述二级情感类别单元仅与其归属的所述一级情感类别单元连接。
优选地,将所述高细腻度的情感分类结果通过Prompt模板进行修饰,引导预训练大模型输出富含情感的语句,包括:
对所述高细腻度的情感分类结果进行情感分类,根据分类结果确定情绪指引模板,所述情绪指引模板的内容包括用户输入语句或原始的评论语句,以及需要大模型注意的情绪内容,经过所述情绪指引模板引导,输出富含情感的语句。
优选地,构造所述Prompt模板的方法包括:
直接在原有的用户语句后添加情绪显性表示或不修改大模型输入,对输出添加情绪修改指令。
另一方面,为实现上述目的,本发明还提供了一种结合情感分析的个性化对话系统,包括:
输入分类单元:用于输入多模态语句,并通过情感分类模型对所述多模态语句进行分类,输出高细腻度的情感分类结果;
处理输出单元:用于基于所述高细腻度的情感分类结果通过Prompt模板引导预训练大模型,输出富含情感的语句;
所述输入分类单元与所述处理输出单元依次连接。
优选地,所述输入分类单元包括:多模态信息处理子单元、分类头设计子单元以及特征提取子单元;
所述多模态信息处理子单元用于通过扩充后的词元特征向量矩阵处理文本及表情符号信息;所述分类头设计子单元用于通过二级情感类别体系对所述情感分类模型的分类头进行构建;所述特征提取子单元用于通过Transformer结构对所述情感分类模型中的特征进行提取。
与现有技术相比,本发明具有如下优点和技术效果:
本发明能够对提升语句情感判别的细腻度,其支持的用户输入不仅包括文本数据还包括表情符号,采用的transformer结构感受野大,语义消岐能力强,二级分类头从结构上增强了分类的鲁棒性和灵活性,采用的prompt方式无需对预训练大模型做微调训练,极大降低了系统部署的成本,有效增强了对话中的个性化表达的能力。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中一种结合情感分析的个性化对话方法流程图;
图2为本发明实施例中transformer编码结构示意图;
图3为本发明实施例中多级分类头设计结构示意图;
图4为本发明实施例中结合情感分析的个性化对话系统结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明提出了一种结合情感分析的个性化对话方法,如图1,具体包括:扩充了情感类别,提高情感分类的细腻度;考虑了网络聊天常用的表情符号,扩充了情感分类的输入数据模态;提出了一种基于Transformer结构的多级分类头,确保模型分类的稳健性和灵活性。最后方法设置了一个prompt模板,引导预训练大模型输出富含特定情感的回答。
S1、情感类别扩充;
当前NLP领域的情感分析任务设置的类别一般为积极(Positive)和消极(Negative),部分任务还设置了中性(Neutral)。但对于对话系统,这种分类的粒度还是太粗。
本实施例将情感类别做进一步细分,实现了一个二级情感类别体系,如表1。
表1
S2、词汇的扩充;
在NLP中词汇实现了词元到id的映射,继而通过embedding实现id到特征向量的转换。词汇的选择根据应用场景和分词算法的不同有不同的方案,这里不做限定。
本实施例首先统计聊天软件、博客论坛等社交媒体中被高概率使用的K个表情符号,将其补充进已选定的词汇。
从聊天软件、博客论坛等社交媒体中获取对话数据,统计不同类型表情符号的出现次数,计算每种表情符号的频次p i =n i /c,其中n i 是第i种表情符号出现的次数,c是对话句子数目;
按频次从高到低排序,取前k个作为选定的表情符号。
对于已有预训练模型的情况,可以对模型中的embedding权重矩阵做相应扩充,取与表情符号含义最近的词元的特征向量作为该表情符号的初始特征向量。
比如对于原始大小为N的词汇,令其对应的embedding权重矩阵为W,尺寸为,其中D是每个词元的特征向量维度,添加K个表情符号后W的尺寸为/>。对于已有预训练模型的情况,假设词汇中第i个表情符号为“[拇指]”,第j个词元为“棒”,那么可以使用W[j,:]来初始化W[i,:]。
S3、基于Transformer结构的分类头设计;
Transformer结构是Google2017年提出的一种新的网络结构,BERT和GPT系列算法都是以该结构为基础提出的。
相较于NLP领域传统的RNN和LSTM等结构,Transformer结构简单,每个词元的感受野都是整个语句,赋予了网络借助上下文理解实现语义消岐的能力。
如图2是一个Transformer编码模块的结构,输入阶段包含词元的embedding和位置编码,编码阶段由多头自注意力计算和前向MLP组成。
本发明仅提出网络的基本组成单元,不对网络的完整结构做限定。
为了增强S1中提出的二级情感分类结果的鲁棒性,本实施例对网络输出的分类头做特殊设计。
如图3,本实施例中的分类头由两层MLP组成,最左边一列是网络输出的特征维度,中间一列代表3种一级情感类别,最右边一列代表8种二级情感类别。可以看到每个二级情感类别只与其归属的一级类别相连接,可以实现:
(1)从结构上增强了输出结果的鲁棒性,避免了二级类别与一级类别逻辑上不吻合的情况;
(2)增加了网络应用的灵活性,对于只需要一级情感分类的场景,直接取中间列的输出即可,即可获取高细腻度情感分类结果。
分词器将用户输入的语句做分词,输出由词元组成的序列,本实施例提出的扩充后的词本将每个词元映射成id,提出的embedding将每个id映射成特征向量,输入到提出的分类网络中。
使用bert的分词器做简单示例:
>>> tokens = tokenizer.tokenize('关于BERT的分词器')
# 分词操作
>>> tokens
['关', '于', 'be', '##rt', '的', '分', '词', '器']
# 直接映射为字典id
>>> ids = tokenizer.encode('关于BERT的分词器')
>>> ids
[1068, 754, 8815, 8716, 4638, 1146, 6404, 1690]。
S4、基于Prompt模板的个性化语句修饰;
NLP领域预训练大模型是指包含了大量可训练参数(一般以亿为单位,如GPT-3包含1750亿参数),在海量语料数据中做无监督训练得到的语言模型。这种语言模型已掌握常见的语法知识,具备一定的逻辑推理能力。而prompt就是研究如何通过提示让大模型完成下游任务的方法。
比如对于一个简单的情感分类任务:需要模型对评论语句“I Love this movie”做二分类(positive或negative)。可以将输入大模型的模板设计为“[x] Overall, it wasa [z] movie.”,其中[x]是原始的评论语句,[z]是需要大模型填充的内容。可以看到经过模板引导,大模型就“知道”该输出与情感相关的词。
预训练大模型是指,已经经过训练的,包含数百亿甚至数千亿参数的语言模型。以ChatGPT为代表的大模型已经拥有上下文理解能力和简单的推理能力,可以与人类实现自然的对话交互、自动生成真假难辨的文章、一定程度上的编写计算机程序的能力。
因此,本发明提出两种大模型情绪指引方法:
A、输入语句中明确当前情绪;
比如设计大模型输入模板“[x],我当前的情绪是[p]”;
B、对大模型的输出做特定情绪的要求,让其重新输出;
比如对于大模型的输出语句s,再次构建语句“请以情绪[p]修改语句[s]”。
下面通过实例对本发明技术方案进行进一步说明:
1、对用户的输入X,首先通过本方案提出的情感分类网络输出关于X的情感类别;
2、然后以情感类别和用户输入X为输入,通过本方案提出的prompt模板构造大模型的输入语句;
3、大模型输出带情感倾向的回答;
为了实现步骤1,首先做了情感类别扩充,提出了一个二级情感类别体系;然后对基于transformer结构的分类头做了相对应的二级分类头设计;同时扩充了词本Vocabulary以支持表情符号。
为了实现步骤2,本方案提出了两种大模型情绪指引方法;
Transformer的处理过程如图2,分为embedding、位置编码、带掩码的多头自注意力和前向MLP;
其中,带掩码的多头自注意力是核心,其关键计算如下式:
其中,Q是维度为的矩阵,K是维度为/>的矩阵,V是维度为/>的矩阵。其中m和n代表词元的个数,/>和/>代表词元的特征维度。公式首先对Q与K转置做矩阵乘法,除以/>后获得尺度归一化的权重矩阵,最后与V做加权和。
例如:
用户输入X:咱们学院也有自己的实验室了,真好![拇指]
其中[拇指]为表示祝贺的表情符号;
扩充后的词本Vocabulary首先将该输入转换为数字表示的id号,然后经过embedding权重矩阵进一步转换为特征向量矩阵;
基于transformer结构的分类网络以上述特征向量矩阵为输入,输出情感分类结果,这里为“祝贺”。
最后构造prompt,本实施例提出两种方法:
1)直接在原有的用户语句后添加情绪显性表示;
输入给大模型的语句修改为“咱们学院也有自己的实验室了,真好![拇指],我当前的情绪是祝贺”。
2)不修改大模型输入,对输出添加情绪修改指令;
首先不修改大模型的输入,仍然为“咱们学院也有自己的实验室了,真好![拇指]”,假设大模型的输出为Y;然后构造语句“请以祝贺的情绪修改语句Y”,再次输入给大模型。
需要注意的是,对于方法2),可以构建一个情感映射的字典:比如用户输入的情感为否定,构造的提示情感可以为鼓励。
本实施例还提出了一种结合情感分析的个性化对话系统,如图4,包括:
输入分类单元:用于输入多模态语句,并通过情感分类模型对所述多模态语句进行分类,输出高细腻度的情感分类结果;
处理输出单元:用于基于所述高细腻度的情感分类结果通过Prompt模板引导预训练大模型,输出富含情感的语句;
输入分类单元与处理输出单元依次连接。
输入分类单元包括:多模态信息处理子单元、分类头设计子单元以及特征提取子单元;
所述多模态信息处理子单元用于通过扩充后的词元特征向量矩阵处理文本+表情符号信息;
分类头设计子单元用于通过二级情感类别体系对所述情感分类模型的分类头进行构建;
特征提取子单元用于通过Transformer结构对情感分类模型中的特征进行提取。
通过以Transformer结构为特征提取单元,以多级分类头为输出的分类模型,对多模态输入进行处理,获得高细腻度的情感分类结果,基于该分类结果使用提出的Prompt模板引导预训练大模型输出富含情感的语句。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种结合情感分析的个性化对话方法,其特征在于,包括:
输入多模态语句,对所述多模态语句进行处理,并通过情感分类模型对所述多模态语句进行分类,输出高细腻度的情感分类结果;
将所述高细腻度的情感分类结果通过Prompt模板进行修饰,引导预训练大模型输出富含情感的语句,包括:
对所述高细腻度的情感分类结果进行情感分类,根据分类结果确定情绪指引模板,所述情绪指引模板的内容包括用户输入语句或原始的评论语句,以及需要大模型注意的情绪内容,经过所述情绪指引模板引导,输出富含情感的语句;
其中,所述情感分类模型的分类头基于二级情感类别体系设计,所述情感分类模型以Transformer结构为特征提取单元;
所述情感分类模型的分类头通过二级情感类别体系进行设计,包括:
将NLP情感分类任务设置的类别进行细粒度划分,分别对每一种现有一级情感类别体系进行细分,获取所述二级情感类别体系;其中,所述现有一级情感类别体系包括积极、中性和消极;
基于所述二级情感类别体系,获取所述情感分类模型的多级分类头;
所述多级分类头由两层MLP结构组成,所述两层MLP结构包括一级情感类别单元和二级情感类别单元,其中,所述二级情感类别单元仅与其归属的所述一级情感类别单元连接。
2.根据权利要求1所述的结合情感分析的个性化对话方法,其特征在于,对所述多模态语句进行处理包括:
统计社交媒体中高概率使用的若干表情符号,将所述表情符号补充进选定的词表,获取扩充后的词元向量矩阵。
3.根据权利要求2所述的结合情感分析的个性化对话方法,其特征在于,获取所述扩充后的词元向量矩阵,包括:
针对经过训练的词元特征向量矩阵,选取与所述表情符号含义最近的词元特征向量作为该表情符号的初始特征向量,将其补充进所述词元特征向量矩阵中,获取所述扩充后的词元特征向量矩阵。
4.根据权利要求1所述的结合情感分析的个性化对话方法,其特征在于,构造所述Prompt模板的方法包括:
直接在原有的用户语句后添加情绪显性表示或不修改大模型输入,对输出添加情绪修改指令。
5.一种结合情感分析的个性化对话系统,其特征在于,包括:
输入分类单元:用于输入多模态语句,并通过情感分类模型对所述多模态语句进行分类,输出高细腻度的情感分类结果;
所述情感分类模型的分类头通过二级情感类别体系进行设计,包括:
将NLP情感分类任务设置的类别进行细粒度划分,分别对每一种现有一级情感类别体系进行细分,获取所述二级情感类别体系;其中,所述现有一级情感类别体系包括积极、中性和消极;
基于所述二级情感类别体系,获取所述情感分类模型的多级分类头;
所述多级分类头由两层MLP结构组成,所述两层MLP结构包括一级情感类别单元和二级情感类别单元,其中,所述二级情感类别单元仅与其归属的所述一级情感类别单元连接;
处理输出单元:用于基于所述高细腻度的情感分类结果通过Prompt模板引导预训练大模型,输出富含情感的语句;
包括:
对所述高细腻度的情感分类结果进行情感分类,根据分类结果确定情绪指引模板,所述情绪指引模板的内容包括用户输入语句或原始的评论语句,以及需要大模型注意的情绪内容,经过所述情绪指引模板引导,输出富含情感的语句;
所述输入分类单元与所述处理输出单元依次连接。
6.根据权利要求5所述的结合情感分析的个性化对话系统,其特征在于,所述输入分类单元包括:多模态信息处理子单元、分类头设计子单元以及特征提取子单元;
所述多模态信息处理子单元用于通过扩充后的词元特征向量矩阵处理文本及表情符号信息;所述分类头设计子单元用于通过二级情感类别体系对所述情感分类模型的分类头进行构建;所述特征提取子单元用于通过Transformer结构对所述情感分类模型中的特征进行提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310825794.4A CN116595181B (zh) | 2023-07-07 | 2023-07-07 | 一种结合情感分析的个性化对话方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310825794.4A CN116595181B (zh) | 2023-07-07 | 2023-07-07 | 一种结合情感分析的个性化对话方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116595181A CN116595181A (zh) | 2023-08-15 |
CN116595181B true CN116595181B (zh) | 2023-10-03 |
Family
ID=87595931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310825794.4A Active CN116595181B (zh) | 2023-07-07 | 2023-07-07 | 一种结合情感分析的个性化对话方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595181B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805089A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
CN114444519A (zh) * | 2022-01-24 | 2022-05-06 | 重庆邮电大学 | 一种基于Seq2Seq模型的情感对话生成方法 |
CN114722838A (zh) * | 2022-04-11 | 2022-07-08 | 天津大学 | 基于常识感知和层次化多任务学习的对话情感识别方法 |
WO2022183138A2 (en) * | 2021-01-29 | 2022-09-01 | Elaboration, Inc. | Automated classification of emotio-cogniton |
CN115577161A (zh) * | 2022-10-14 | 2023-01-06 | 徐州达希能源技术有限公司 | 融合情感资源的多模态情感分析模型 |
CN115630156A (zh) * | 2022-09-21 | 2023-01-20 | 内蒙古工业大学 | 一种融合Prompt和SRU的蒙古语情感分析方法与系统 |
CN115690553A (zh) * | 2023-01-03 | 2023-02-03 | 华南理工大学 | 一种基于多模态对话内容联合建模的情感分析方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150286627A1 (en) * | 2014-04-03 | 2015-10-08 | Adobe Systems Incorporated | Contextual sentiment text analysis |
-
2023
- 2023-07-07 CN CN202310825794.4A patent/CN116595181B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805089A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
WO2022183138A2 (en) * | 2021-01-29 | 2022-09-01 | Elaboration, Inc. | Automated classification of emotio-cogniton |
CN114444519A (zh) * | 2022-01-24 | 2022-05-06 | 重庆邮电大学 | 一种基于Seq2Seq模型的情感对话生成方法 |
CN114722838A (zh) * | 2022-04-11 | 2022-07-08 | 天津大学 | 基于常识感知和层次化多任务学习的对话情感识别方法 |
CN115630156A (zh) * | 2022-09-21 | 2023-01-20 | 内蒙古工业大学 | 一种融合Prompt和SRU的蒙古语情感分析方法与系统 |
CN115577161A (zh) * | 2022-10-14 | 2023-01-06 | 徐州达希能源技术有限公司 | 融合情感资源的多模态情感分析模型 |
CN115690553A (zh) * | 2023-01-03 | 2023-02-03 | 华南理工大学 | 一种基于多模态对话内容联合建模的情感分析方法及系统 |
Non-Patent Citations (4)
Title |
---|
"Multimodal Prompt Learning in Emotion Recognition Using Context and Audio Information";Eunseo Jeong等;《mathematics》;第11卷(第13期);全文 * |
"基于prompt和知识增强的方面级情感分析";李阳等;《计算机科学》;第50卷(第S1期);全文 * |
基于BERT和双通道注意力的文本情感分类模型;谢润忠;李烨;;数据采集与处理(第04期);全文 * |
基于SVM多特征融合的微博情感多级分类研究;杨爽;陈芬;;数据分析与知识发现(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116595181A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Satapathy et al. | Phonetic-based microtext normalization for twitter sentiment analysis | |
Bedi et al. | Multi-modal sarcasm detection and humor classification in code-mixed conversations | |
US20180157959A1 (en) | Intelligent interaction method and intelligent interaction system | |
Saha et al. | BERT-caps: A transformer-based capsule network for tweet act classification | |
Vougiouklis et al. | A neural network approach for knowledge-driven response generation | |
Ren et al. | Intention detection based on siamese neural network with triplet loss | |
Erdem et al. | Neural natural language generation: A survey on multilinguality, multimodality, controllability and learning | |
Alam et al. | Bangla text classification using transformers | |
Li et al. | Sentiment infomation based model for chinese text sentiment analysis | |
CN113178193A (zh) | 一种基于智能语音芯片的中文自定义唤醒与物联交互方法 | |
CN111339772B (zh) | 俄语文本情感分析方法、电子设备和存储介质 | |
CN114911932A (zh) | 基于主题语义增强的异构图结构多会话者情感分析方法 | |
Sonawane et al. | Speech to Indian sign language (ISL) translation system | |
KR102297480B1 (ko) | 비정형 질문 또는 요구 발화의 구조화된 패러프레이징 시스템 및 방법 | |
CN112257432A (zh) | 一种自适应意图识别方法、装置及电子设备 | |
Pardeshi et al. | A survey on Different Algorithms used in Chatbot | |
CN111966824A (zh) | 一种基于情感相似度注意力机制的文本情感识别方法 | |
CN116595181B (zh) | 一种结合情感分析的个性化对话方法及系统 | |
CN116401364A (zh) | 语言模型的训练方法、电子设备、存储介质及产品 | |
CN116303966A (zh) | 基于提示学习的对话行为识别系统 | |
Jayaraman et al. | Sarcasm Detection in News Headlines using Supervised Learning | |
Reddy et al. | Indian sign language generation from live audio or text for tamil | |
Phan et al. | Little flower at memotion 2.0 2022: Ensemble of multi-modal model using attention mechanism in memotion analysis | |
Song et al. | Large pretrained models on multimodal sentiment analysis | |
Gupta et al. | Sign language problem and solutions for deaf and dumb people |
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 | ||
GR01 | Patent grant |