發(fā)布時(shí)間：2021-01-05 19:13

　　在社交生活中,人的情感往往影響著對話的過程。情感表達(dá)是人類表達(dá)自我的一種重要方式,因此社交媒體中的對話數(shù)據(jù)包含著大量有用的情感信息,是研究情感對話和動態(tài)情感遷移的基礎(chǔ),即個(gè)體的情緒狀態(tài)對外界的刺激的反應(yīng)以及對話的情緒狀態(tài)。在人機(jī)交互領(lǐng)域,我們不僅僅希望人機(jī)交互能夠完成特定的交互任務(wù),也希望系統(tǒng)具備情緒分析和情緒建模的能力,來使得交互系統(tǒng)更加人性化。目前,大多數(shù)人機(jī)交互系統(tǒng)的關(guān)注點(diǎn)在于對話的流暢性,多樣性和準(zhǔn)確性,卻忽略了情緒在人機(jī)對話中的作用。然而,在人機(jī)對話任務(wù)中僅僅考慮對話的準(zhǔn)確和完整是不夠的,如何使得機(jī)器具備人類的情感,并根據(jù)情緒來做出不同的表達(dá),是提升人機(jī)交互系統(tǒng)性能的重要部分,也是人機(jī)交互系統(tǒng)的發(fā)展趨勢之一。為此,本文提出了一種情緒引導(dǎo)式的情感對話系統(tǒng),在確保對話有效性和完整性的基礎(chǔ)上,使機(jī)器具有分析情緒和處理情緒的能力,并可以根據(jù)對話者的情緒轉(zhuǎn)移狀態(tài)進(jìn)行情緒建模和情緒引導(dǎo),控制和引導(dǎo)對話的情緒發(fā)展方向。主要由以下幾個(gè)方面構(gòu)成:（1）構(gòu)建對話文本的多層意圖識別系統(tǒng),識別對話文本的基本意圖,根據(jù)對話的意圖區(qū)分場景和進(jìn)行識別操作。并構(gòu)建對話知識圖譜作為對話系統(tǒng)的數(shù)據(jù)基礎(chǔ),保障對話... 

【文章來源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

模型總架構(gòu)

合肥工業(yè)大學(xué)學(xué)學(xué)術(shù)碩士研究生學(xué)位論文8不同的場景，不同的知識體系，其挖掘的詞匯實(shí)體也不盡相同。所以其構(gòu)建的知識圖譜應(yīng)當(dāng)按照具體的場景來構(gòu)建，實(shí)現(xiàn)場景的子圖。對于不同場景內(nèi)的同義實(shí)體應(yīng)分割創(chuàng)建，實(shí)現(xiàn)實(shí)體的分割與歸類。在場景內(nèi)抽取關(guān)系鏈接實(shí)體，擴(kuò)大實(shí)體之間的關(guān)聯(lián)性。將如何選擇對話場景的任務(wù)交給自然語言理解系統(tǒng)來解決。其次，對于某個(gè)場景下的知識圖譜，其數(shù)據(jù)來源可能來自不從的數(shù)據(jù)源，在特定的場景下需要做特征融合，包括實(shí)體對齊，屬性融合等。實(shí)體與關(guān)系的抽取主要是基于機(jī)器學(xué)習(xí)的命名實(shí)習(xí)關(guān)系上抽取，利用機(jī)器學(xué)習(xí)算法來訓(xùn)練分類模型，從而從場景數(shù)據(jù)中抽取實(shí)體與關(guān)系。知識圖譜的組成元素主要是三元組，即[實(shí)體-關(guān)系-實(shí)體]和[實(shí)體-屬性-屬性描述]，通過許多的三元組構(gòu)成路徑，鏈接成圖，并可以推導(dǎo)新的實(shí)體關(guān)系，豐富知識圖譜的架構(gòu)。同時(shí)，以三元組作為基本組成的知識圖譜也便于實(shí)體和關(guān)系的查詢，擴(kuò)展和刪除。如圖2.1所示，實(shí)體與實(shí)體之間的關(guān)聯(lián)屬性是有向的邊，表示實(shí)體之間的關(guān)系；而實(shí)體與屬性之間的描述為無向邊，表示屬性描述為實(shí)體的從屬關(guān)系，且一個(gè)屬性表述只對應(yīng)一個(gè)實(shí)體，作為實(shí)體節(jié)點(diǎn)的從屬節(jié)點(diǎn)而存在。這就表明了屬性節(jié)點(diǎn)之間是不會存在關(guān)聯(lián)的，他們只會與實(shí)體相關(guān)聯(lián)。圖2.1知識圖譜的關(guān)聯(lián)表示Fig2.1Correlationrepresentationofknowledgegraph本文中，知識圖譜構(gòu)建用到的工具是neo4j圖形數(shù)據(jù)庫[59]。它是一種NOSQL的圖形數(shù)據(jù)庫，可以將數(shù)據(jù)存儲在網(wǎng)絡(luò)中而非像傳統(tǒng)的數(shù)據(jù)庫存儲在表中。其也可以被看做一個(gè)具有較高性能的圖數(shù)據(jù)引擎。在屬性與中，圖由頂點(diǎn)（節(jié)點(diǎn)），邊（關(guān)系）和屬性構(gòu)成，每個(gè)頂點(diǎn)和邊都可以有多個(gè)屬性。利用neo4j圖形數(shù)據(jù)

抽取不同場景下的實(shí)體和實(shí)體關(guān)系。當(dāng)需要根據(jù)場景意圖來查詢時(shí)，可以構(gòu)建子圖，來簡化查詢流程。2.2多層意圖識別系統(tǒng)2.2.1意圖的理解與分類2.2.1.1FastText算法FastText是Facebook提出的一個(gè)快速的文本分類器[60]，不同于SVM,LR與NN之類的分類模型，在保持分類效果的同時(shí)，大大的縮短了訓(xùn)練預(yù)測的時(shí)間，F(xiàn)astText包含三個(gè)組成部分：模型架構(gòu)，層次softmax和N-gram特征。FastText的模型架構(gòu)和word2vec的模型[61]架構(gòu)相似，兩種模型都是基于HierarchicalSoftmax結(jié)構(gòu)，即輸入層，隱藏層和輸出層。如圖2.1所示：圖2.2FastText算法示意圖Fig2.2SchematicofFastTextalgorithm不同于word2vec的訓(xùn)練方式是，word2vec旨在通過詞的上下文來預(yù)測該詞，輸出的結(jié)果是隱藏層的向量。FastText將整個(gè)文本作為特征去預(yù)測文本的類別，而不是預(yù)測某一個(gè)詞。如圖2.2所示，輸入層由目標(biāo)詞匯y中的上下文單詞{x1,x2,……,xc}組成，xi是onehot編碼的詞向量，一共V維，V是詞匯量。隱藏層是一個(gè)N*V維的向量，隱藏層的輸出向量鏈接到輸出層softmax進(jìn)行歸一化和分類。因?yàn)樵~匯量V通常是一個(gè)很大的詞表，所以使用標(biāo)準(zhǔn)的softmax計(jì)算量相當(dāng)大，于是CBOW采用的是分層softmax[62]。標(biāo)準(zhǔn)的softmax在計(jì)算某一個(gè)點(diǎn)的值時(shí)需要對所有的K個(gè)節(jié)點(diǎn)做歸一化，分層softmax的思想是使用樹的層級結(jié)構(gòu)替代扁平化的標(biāo)準(zhǔn)softmax,在計(jì)算概率時(shí)，只需要計(jì)算一條路徑上所有節(jié)點(diǎn)的概率值，不需要計(jì)算其他節(jié)點(diǎn)。如圖2.3所示：

【參考文獻(xiàn)】：
期刊論文
[1]基于層疊模型細(xì)粒度情感要素抽取及傾向分析[J]. 孫曉,唐陳意.  模式識別與人工智能. 2015(06)



本文編號：2959152