[发明专利]基于知识增强和回溯损失的对话情绪识别网络模型、构建方法、电子设备及存储介质

权利要求书

1.基于知识增强和回溯损失的对话情绪识别网络模型，其特征在于，包括：语境和情感动态感知模块、外部知识交互模块和回溯历史状态模块；

语境和情感动态感知模块，利用transformer结构作为最底层的词编码器，通过当前话语及其对应的说话人设计不同的注意力掩码矩阵，达到同时引入情感动力学以及语境影响的效果；

外部知识交互模块，通过利用图注意力网络实现对外部结构化情感知识的利用，从而扩充了话语的语义信息，弥补了词编码器模块在某些特定维度上知识的缺失；

回溯历史状态模块，在任务损失函数的基础上加入了一个回溯损失，旨在利用先前的训练经验来指导权重更新，确保模型决策更接近真实值，以达到在训练过程中利用过去模型状态的先验经验的效果。

2.根据权利要求1所述的基于知识增强和回溯损失的对话情绪识别网络模型，其特征在于，任务定义模块，假定一组对话集合，在每段对话中包含一系列话语，其中带有预定义情感标签的话语由说话者发出，所有的说话者组成集合；所有预定义的情绪标签组成集合；

还包括话语读入模块，对于对话中的每个目标话语前预置一个特殊的标记，输入到嵌入层，相应的单词嵌入序列被当作Transformer第一层的隐状态输入，也被用于知识引入的概念嵌入层。

3.基于知识增强和回溯损失的对话情绪识别网络模型构建方法，其特征在于，包括：

步骤一，假定一组对话集合，在每段对话中包含一系列话语，其中带有预定义情感标签的话语由说话者发出，所有的说话者组成集合；所有预定义的情绪标签组成集合；

步骤二，话语读入模块对于对话中的每个目标话语前预置一个特殊的标记，输入到嵌入层，相应的单词嵌入序列被当作Transformer第一层的隐状态输入，也被用于知识引入的概念嵌入层；

步骤三，利用transformer结构作为最底层的词编码器，通过当前话语及其对应的说话人设计不同的注意力掩码矩阵，达到同时引入情感动力学以及语境影响的效果；

步骤四，通过利用图注意力网络实现对外部结构化情感知识的利用，从而扩充了话语的语义信息，弥补了词编码器模块在某些特定维度上知识的缺失；

步骤五，在任务损失函数的基础上加入了一个回溯损失，旨在利用先前的训练经验来指导权重更新，确保模型决策更接近真实值，以达到在训练过程中利用过去模型状态的先验经验的效果。

4.根据权利要求3所述的基于知识增强和回溯损失的对话情绪识别网络模型构建方法，其特征在于，所述步骤一中，假定一组对话集合其中L代表对话的个数，在每段对话中包含一系列N_i个话语，其中带有预定义情感标签的话语u_i由说话者发出，所有的说话者组成集合所有预定义的情绪标签组成集合

5.根据权利要求4所述的基于知识增强和回溯损失的对话情绪识别网络模型构建方法，其特征在于，所述步骤二中，对于对话D_j中的第i句话语w_k表示话语u_i中的第k个词，N_k表示话语u_i中的单词数目；在每个目标话语前预置一个特殊的标记“[CLS]”：

x_i表示预置特殊标记的目标话语集合，然后x_i被输入到嵌入层：

其中表示单词嵌入序列，D_h代表XLNet-base的输入维数，相应的单词嵌入序列被当作Transformer第一层的隐状态输入，同时也被用于知识引入模块的概念嵌入层。