情感识别

对话GCN：对话中情感识别的图卷积神经网络 绪论 会话中的情感识别（ERC）最近受到了研究者的广泛关注，因为它在医疗，教育和人力资源等各个领域都有潜在的广泛应用。 在本文中，我们介绍了对话图卷积网络（DialogueGCN），这是一种基于图神经网络的ERC方法。 我们利用对话者的自我和说话者之间的依存关系来为情感识别建模会话上下文。 通过图网络，DialogueGCN解决了当前基于RNN的方法中存在的上下文传播问题。 我们凭经验表明，这种方法可以缓解此类问题，同时在许多基准情感分类数据集上的表现要优于当前水平。 1 引言 几十年来，情绪识别一直是一个活跃的研究主题（K. D’Mello等，2006； Busso等，2008； Strapparava和Mihalcea，2010）。 然而，最近在社交媒体平台（例如Facebook，Twitter，Youtube和Red dit）上开放式对话数据的激增引起了热烈的关注（Poria等人，2019b; Majumder等人，2019; Huang等人。 （2019年），从研究人员转向对话中的情感识别（ERC）。 不可否认，ERC在情感对话系统（如图1所示）中也很重要，在这种对话中，机器人可以理解用户的情绪并产生连贯和移情反应的情绪。 图1：情感对话的插图，其中情感取决于上下文。 健康助手了解用户的情感状态，以生成情感和移情反应

原创帖子，转载请说明出处 一、RNN神经网络结构 RNN隐藏层神经元的连接方式和普通神经网路的连接方式有一个非常明显的区别，就是同一层的神经元的输出也成为了这一层神经元的输入。当然同一时刻的输出是不可能作为这个时刻的输入的。所以是前一个时刻（t-1）的输出作为这个时刻（t）的输入。 序列结构展开示意图，s为隐藏层，o为输出层，x为输入层，U为输入层到隐层的权重矩阵，V则是隐层到输出层的权重矩阵，这个网络在t时刻接收到输入 之后，隐藏层的值是 ，输出值是 。关键一点是， 的值不仅仅取决于 ，还取决于 。 二、RNN应用范围 RNNs主要用于处理NLP类的问题，如词向量表达、语句合法性检查、词性标注等。在RNNs中，目前使用最广泛最成功的模型便是LSTMs(Long Short-Term Memory，长短时记忆模型)模型，该模型通常比vanilla RNNs能够更好地对长短时依赖进行表达，该模型相对于一般的RNNs，只是在隐藏层做了手脚。下篇文章会对LSTM进行介绍。 三、使用RNN进行影评情感分析 0x00 实验环境 　　tensorflow2.0,此版本的keras已经被包含到tf中，导入keras时注意加入tensorflow前缀，如果想关闭vision2.0版本的特性的话，可以使用： import tensorflow.compat.v1 as tf tf.disable

特别提一下安装hmmlearn库不能直接pip install hmmlearn 安装过程如下： 1. 进入 https://www.lfd.uci.edu/~gohlke/pythonlibs/ ，找到hmmlearn***.whl类型的文件下载（要和自己的python版本相对应）如果你用的是anaconda可以在命令窗口输入conda -activate 进入你的anaconda环境，再输入python -V查看和anaconda对应的版本。如图所示安装自己对应的版本 2 然后将下载的文件放在C:\Anaconda3\pkgs\python-3.6.4-h6538335_1\Lib目录（此路径为自己当时安装anaconda的路径，如果找不到可以下载一个everything输入anaconda查找自己当时的安装路径，everything的链接就不附上了），并在此目录下进行安装。然后在命令窗口输入cd +自己anaconda的路径切换到该路径，在该路径下输入 pip install hmmlearn-0.2.1-cp36-cp36m-win_amd64.whl 进行安装，名字需要改成自己下载的文件的名字。至此，安装成功。 import os import numpy as np import scipy.io.wavfile as wf import python_speech