[发明专利]基于主题语义增强的异构图结构多会话者情感分析方法

说明书

本发明公开了一种基于主题语义增强的异构图结构多会话者情感分析方法，包括：对输入对话进行情感词嵌入操作，将其从人类语言转化成带有情感的向量表示；按照依存句法关系构建句法依赖图，节点为话中的单词，将句法依赖图输入图卷积神经网络中更新节点信息，获得语义加强的单词向量以及相应的句子表征向量；构建主题提取模型，提取每句对话的主题，获得主题增强的句子表征；按照主题相似性进行聚类，根据句子主题信息以及时序关系构建对话子图，构建异构对话图，节点为每句话的句子表征，使用图循环网络更新图节点；得到分类结果。本发明充分考虑对话者间交互信息，提高了多会话者对话情感分析的预测精度。

技术领域

本发明属于自然语言处理技术领域，具体涉及一种基于主题语义增强的异构图结构多会话者情感分析方法。

背景技术

对话中的情感识别是自然语言处理中的一项新兴任务，旨在识别对话中每个话语的情感。它可以被视为传统文本情感检测的延伸，或者是对话系统中出现的问题，有助于帮助机器理解用户产生的情绪，从而生成带有情感的情绪感知对话回复。传统的对话情感分析研究集中在双人对话，对多会话者环境涉猎较少，本发明的目标是解决在有三个或更多说话人的对话中识别说话人情绪的问题。与双说话人对话相比，多会话者会话中的信息交互更加频繁、多样化，因此情感识别也更加复杂。

首先，因为个人陈述时通常是有逻辑的、连贯的，但聊天则会有更大的跳跃性，不确定的信息跳跃性指数级地增大了情感分析的难度，因此需要关注上下文语境，特别是聊天过程中主题的变换。同时，群聊是多人之间进行信息交互，交互是一个持续的过程而不是短时固定的。而这从本质上改变了情感判断的评价方式。在无交互的情感分析应用下，比如商品评论，当成功判断评论的情感后就可以实现其应用价值，是清晰的分类任务。但在对话状态下，情感状态持续在变，单独的分析一句话意义不大。最后，交互的存在会隐藏部分状态信息。在聊天时，通常情况下，交互的双方都默认对方知道很多信息。比如沟通主客体之间的关系状态、彼此的需求目的、社会关系、以及都具备的常识，性格等。这个问题延伸到群聊语境下更加复杂，需要考虑每个说话者的性格和特点，考虑其遇到不同观点的反应。有些人固执己见，有些人容易动摇，其产生的情绪也不尽相同。因此如何有效地建模说话者间情绪的感染程度，以及说话者对自己情绪的坚持程度，也是重要且具有挑战性的问题。

专利号为CN113656564A的发明中提及一种基于图神经网络的电网业务对话数据情感检测方法，包括以下步骤：步骤1、提取对话集，构建语句级的自影响和互影响关系图以及特征提取模型；步骤2、构建词级无向图以及特征提取模型；步骤3、构建主题词汇与上下文词之间的关系无向图以及特征提取模型；步骤4、融合步骤1、步骤2和步骤3中的语句级特征、词图特征以及主题词汇与上下文词之间的关系特征，并计算对话情感。该发明能够大大提高交互式情感分析的准确性，从而为构建诸如问答系统、聊天机器人、公共服务机器人等类人交互系统提供重要技术支撑。但是该发明不涉及多会话者聊天这一场景下的情感分析处理。

发明内容

解决的技术问题：本发明所要解决的问题是多会话者对话中的情感分析问题，重点解决语义建模以及对话者之间的交互问题。具体的，(1)如何在语义建模，获取输入语句的语义内容时，提供更多的情感特征方便后续情感分类，同时也要剔除尽量多的冗余信息，防止干扰计算机的判断。(2)在语句情感无法仅凭语义内容判断的情况下，如何依据上下文的信息以及情感对当前话语情感进行判断，尤其是会话者在对话进行过程中还会因信息交互产生情感的转变的场景下。

技术方案：

一种基于主题语义增强的异构图结构多会话者情感分析方法，所述情感分析方法包括以下步骤：

S10，对输入对话进行情感词嵌入操作，将其从人类语言转化成带有情感的向量表示；

S20，对步骤S10输入的每句话都按照依存句法关系构建句法依赖图，节点为话中的单词，将句法依赖图输入图卷积神经网络中更新节点信息，获得语义加强的单词向量以及相应的句子表征向量；