情绪引导式情感对话系统研究
发布时间：2021-01-05 19:13
在社交生活中,人的情感往往影响着对话的过程。情感表达是人类表达自我的一种重要方式,因此社交媒体中的对话数据包含着大量有用的情感信息,是研究情感对话和动态情感迁移的基础,即个体的情绪状态对外界的刺激的反应以及对话的情绪状态。在人机交互领域,我们不仅仅希望人机交互能够完成特定的交互任务,也希望系统具备情绪分析和情绪建模的能力,来使得交互系统更加人性化。目前,大多数人机交互系统的关注点在于对话的流畅性,多样性和准确性,却忽略了情绪在人机对话中的作用。然而,在人机对话任务中仅仅考虑对话的准确和完整是不够的,如何使得机器具备人类的情感,并根据情绪来做出不同的表达,是提升人机交互系统性能的重要部分,也是人机交互系统的发展趋势之一。为此,本文提出了一种情绪引导式的情感对话系统,在确保对话有效性和完整性的基础上,使机器具有分析情绪和处理情绪的能力,并可以根据对话者的情绪转移状态进行情绪建模和情绪引导,控制和引导对话的情绪发展方向。主要由以下几个方面构成:（1）构建对话文本的多层意图识别系统,识别对话文本的基本意图,根据对话的意图区分场景和进行识别操作。并构建对话知识图谱作为对话系统的数据基础,保障对话...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
模型总架构
合肥工业大学学学术硕士研究生学位论文8不同的场景，不同的知识体系，其挖掘的词汇实体也不尽相同。所以其构建的知识图谱应当按照具体的场景来构建，实现场景的子图。对于不同场景内的同义实体应分割创建，实现实体的分割与归类。在场景内抽取关系链接实体，扩大实体之间的关联性。将如何选择对话场景的任务交给自然语言理解系统来解决。其次，对于某个场景下的知识图谱，其数据来源可能来自不从的数据源，在特定的场景下需要做特征融合，包括实体对齐，属性融合等。实体与关系的抽取主要是基于机器学习的命名实习关系上抽取，利用机器学习算法来训练分类模型，从而从场景数据中抽取实体与关系。知识图谱的组成元素主要是三元组，即[实体-关系-实体]和[实体-属性-属性描述]，通过许多的三元组构成路径，链接成图，并可以推导新的实体关系，丰富知识图谱的架构。同时，以三元组作为基本组成的知识图谱也便于实体和关系的查询，扩展和删除。如图2.1所示，实体与实体之间的关联属性是有向的边，表示实体之间的关系；而实体与属性之间的描述为无向边，表示属性描述为实体的从属关系，且一个属性表述只对应一个实体，作为实体节点的从属节点而存在。这就表明了属性节点之间是不会存在关联的，他们只会与实体相关联。图2.1知识图谱的关联表示Fig2.1Correlationrepresentationofknowledgegraph本文中，知识图谱构建用到的工具是neo4j图形数据库[59]。它是一种NOSQL的图形数据库，可以将数据存储在网络中而非像传统的数据库存储在表中。其也可以被看做一个具有较高性能的图数据引擎。在属性与中，图由顶点（节点），边（关系）和属性构成，每个顶点和边都可以有多个属性。利用neo4j图形数据
抽取不同场景下的实体和实体关系。当需要根据场景意图来查询时，可以构建子图，来简化查询流程。2.2多层意图识别系统2.2.1意图的理解与分类2.2.1.1FastText算法FastText是Facebook提出的一个快速的文本分类器[60]，不同于SVM,LR与NN之类的分类模型，在保持分类效果的同时，大大的缩短了训练预测的时间，FastText包含三个组成部分：模型架构，层次softmax和N-gram特征。FastText的模型架构和word2vec的模型[61]架构相似，两种模型都是基于HierarchicalSoftmax结构，即输入层，隐藏层和输出层。如图2.1所示：图2.2FastText算法示意图Fig2.2SchematicofFastTextalgorithm不同于word2vec的训练方式是，word2vec旨在通过词的上下文来预测该词，输出的结果是隐藏层的向量。FastText将整个文本作为特征去预测文本的类别，而不是预测某一个词。如图2.2所示，输入层由目标词汇y中的上下文单词{x1,x2,……,xc}组成，xi是onehot编码的词向量，一共V维，V是词汇量。隐藏层是一个N*V维的向量，隐藏层的输出向量链接到输出层softmax进行归一化和分类。因为词汇量V通常是一个很大的词表，所以使用标准的softmax计算量相当大，于是CBOW采用的是分层softmax[62]。标准的softmax在计算某一个点的值时需要对所有的K个节点做归一化，分层softmax的思想是使用树的层级结构替代扁平化的标准softmax,在计算概率时，只需要计算一条路径上所有节点的概率值，不需要计算其他节点。如图2.3所示：
【参考文献】：
期刊论文
[1]基于层叠模型细粒度情感要素抽取及倾向分析[J]. 孙晓,唐陈意. 模式识别与人工智能. 2015(06)
本文编号：2959152
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
模型总架构
合肥工业大学学学术硕士研究生学位论文8不同的场景，不同的知识体系，其挖掘的词汇实体也不尽相同。所以其构建的知识图谱应当按照具体的场景来构建，实现场景的子图。对于不同场景内的同义实体应分割创建，实现实体的分割与归类。在场景内抽取关系链接实体，扩大实体之间的关联性。将如何选择对话场景的任务交给自然语言理解系统来解决。其次，对于某个场景下的知识图谱，其数据来源可能来自不从的数据源，在特定的场景下需要做特征融合，包括实体对齐，属性融合等。实体与关系的抽取主要是基于机器学习的命名实习关系上抽取，利用机器学习算法来训练分类模型，从而从场景数据中抽取实体与关系。知识图谱的组成元素主要是三元组，即[实体-关系-实体]和[实体-属性-属性描述]，通过许多的三元组构成路径，链接成图，并可以推导新的实体关系，丰富知识图谱的架构。同时，以三元组作为基本组成的知识图谱也便于实体和关系的查询，扩展和删除。如图2.1所示，实体与实体之间的关联属性是有向的边，表示实体之间的关系；而实体与属性之间的描述为无向边，表示属性描述为实体的从属关系，且一个属性表述只对应一个实体，作为实体节点的从属节点而存在。这就表明了属性节点之间是不会存在关联的，他们只会与实体相关联。图2.1知识图谱的关联表示Fig2.1Correlationrepresentationofknowledgegraph本文中，知识图谱构建用到的工具是neo4j图形数据库[59]。它是一种NOSQL的图形数据库，可以将数据存储在网络中而非像传统的数据库存储在表中。其也可以被看做一个具有较高性能的图数据引擎。在属性与中，图由顶点（节点），边（关系）和属性构成，每个顶点和边都可以有多个属性。利用neo4j图形数据
抽取不同场景下的实体和实体关系。当需要根据场景意图来查询时，可以构建子图，来简化查询流程。2.2多层意图识别系统2.2.1意图的理解与分类2.2.1.1FastText算法FastText是Facebook提出的一个快速的文本分类器[60]，不同于SVM,LR与NN之类的分类模型，在保持分类效果的同时，大大的缩短了训练预测的时间，FastText包含三个组成部分：模型架构，层次softmax和N-gram特征。FastText的模型架构和word2vec的模型[61]架构相似，两种模型都是基于HierarchicalSoftmax结构，即输入层，隐藏层和输出层。如图2.1所示：图2.2FastText算法示意图Fig2.2SchematicofFastTextalgorithm不同于word2vec的训练方式是，word2vec旨在通过词的上下文来预测该词，输出的结果是隐藏层的向量。FastText将整个文本作为特征去预测文本的类别，而不是预测某一个词。如图2.2所示，输入层由目标词汇y中的上下文单词{x1,x2,……,xc}组成，xi是onehot编码的词向量，一共V维，V是词汇量。隐藏层是一个N*V维的向量，隐藏层的输出向量链接到输出层softmax进行归一化和分类。因为词汇量V通常是一个很大的词表，所以使用标准的softmax计算量相当大，于是CBOW采用的是分层softmax[62]。标准的softmax在计算某一个点的值时需要对所有的K个节点做归一化，分层softmax的思想是使用树的层级结构替代扁平化的标准softmax,在计算概率时，只需要计算一条路径上所有节点的概率值，不需要计算其他节点。如图2.3所示：
【参考文献】：
期刊论文
[1]基于层叠模型细粒度情感要素抽取及倾向分析[J]. 孙晓,唐陈意. 模式识别与人工智能. 2015(06)
本文编号：2959152
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2959152.html
最近更新
教材专著
