[发明专利]一种带降噪和纠错的图神经网络对话情感识别方法

权利要求书

1.一种带降噪和纠错的图神经网络对话情感识别方法，其特征在于：该方法包括以下步骤：

步骤一：通过预处理模块，对话中的每句话语将被分词并添加特殊标志位[CLS]和[SEP]便于后续的分类任务，然后在预训练语言模型中被处理为语义特征；

步骤二：使用上下文筛选模块分别评估话语上下文的语义相关性和信息量，根据评估结果丢弃部分噪声上下文，并建立话语之间的依赖关系；

步骤三：利用关系图神经网络从上下文中学习语境信息，获得上下文嵌入的情感特征；

步骤四：利用特征纠错模块整合语义特征和情感特征，通过门控机制控制特征中的错误信息，纠正其中的部分错误；

步骤五：通过全连接网络预测话语情感类别，用交叉熵损失函数度量标签分布和模型预测分布之间的差异。

2.根据权利要求1所述的一种带降噪和纠错的图神经网络对话情感识别方法，其特征在于：所述步骤一具体过程包括：首先按照对话顺序获得话语集合{u₁,u₂,...,u_N}，利用分词器对话语进行分词处理，然后在分词结果前后添加特殊标志位[CLS]和[SEP]便于后续的分类任务；然后通过预训练语言模型将话语u_i处理为1024维的语义特征向量H_i的形式：

X_i＝{[T₁],[T₂],...,[T_N]},

X_i＝{[CLS],[T₁],[T₂],...,[T_N],[SEP]},

H_i＝RoBERTa(X_i).last_hidden_layer[0].

其中，X_i为话语u_i添加特殊标志位后的分词表示，H_i是预训练语言模型RoBERTa中最后一个隐藏层的[CLS]所表示的特征向量；[CLS]能够代表整句话语的语义特征向量，该向量能直接用于分类任务。

3.根据权利要求2所述的一种带降噪和纠错的图神经网络对话情感识别方法，其特征在于：所述步骤二中，上下文筛选过程包括：使用余弦相似度来度量目标话语特征H_i与上下文特征H之间的语义相关程度，用语义相似度矩阵s₁来表示；

同时，使用信息熵来度量上下文中包含的信息量，已知话语含有越高的信息熵，其情感的不确定性越高，模型就需要对该话语重点分析；通过累加话语中每个词的信息熵，能够获得上下文的信息熵矩阵：

其中，p(T_j)表示话语u_i中的第j个分词在对话中出现的频率；为了信息熵矩阵能匹配语义相关矩阵的维度，堆叠N个来构造与s₁相同的信息熵矩阵得到

s＝(1-α)·s₁+α·s₂

加权求和语义相关性矩阵s₁和信息熵矩阵s₂，对求和矩阵s中的每个元素进行筛选，去除部分分数较低的噪声上下文；

其中，γ是一个超参数，表示阈值；s^ij表示上下文话语u_j相对于目标话语u_i的综合分数；mask_ij表示话语节点u_i和u_j之间的连接关系，1表示有连接，0表示无连接。