使用图神经网络进行语音情感识别的表征学习
本研究介绍了 Dialogue Graph Convolutional Network (DialogueGCN) 的方法,使用图神经网络来进行 Emotion recognition in conversation (ERC),并通过解决当前循环神经网络方法存在的上下文传播问题来提高情感分类效果。
Aug, 2019
本文针对会话中情绪识别的复杂性,提出了一种利用双向门控循环神经网络捕捉上下文相关性和说话人之间相互作用的对话情感识别方法。实验结果表明该方法比现有的最先进方法更为有效。
Feb, 2023
本文提出了一种基于自训练机制以及 Self Speaker Attention 机制的情感识别方法,该方法在 Att-HAC 和 IEMOCAP 上实现了最新的性能表现。
Apr, 2021
本文提出利用神经网络架构搜索技术以及统一路径随机失活策略来自动配置情感识别模型,实验证明在 IEMOCAP 上两个不同的神经结构都可以提高 SER 性能 (54.89% 到 56.28%) 并且可以保持模型参数大小,而且提出的随机失活策略也表现出更优的性能。
Mar, 2022
本文介绍一种创新的使用图卷积网络和强化学习的上下文化情感识别模型,通过对话分组和提取多模态特征实时识别多模态对话信号中的情感。与其他最先进的模型相比,该模型在 IEMOCAP 基准数据集上展现出了识别实时多模态对话信号中情感的优势。
Oct, 2023
通过开发图神经网络 (GNN) 在基于脑电图的情绪识别领域中的独特应用,研究综述了现有方法,并提供了构建 GNN 在基于脑电图情绪识别中的清晰指导,同时探讨了一些挑战和未来方向。
Feb, 2024
本文提出一种基于图同构网络的语音情感识别(SER)网络,采用带权重的多聚合器(WMA-GIN)、全邻接层(FA)、多阶段注意机制和多损失训练策略,以解决 GIN 结构的邻居节点特征聚合容易导致的信息混淆、以及所有 GIN 等图神经网络结构的过度压缩问题,实现了比其它基于图神经网络和某些非图神经网络方法更好的结果,在 IEMOCAP 数据集中取得了 72.48% 和 67.72% 的加权和不加权识别精度。
Jul, 2022
我们提出了使用关系图卷积网络(RGCNs)进行情感分析的方法,该方法通过捕捉作为图中节点表示的数据点之间的依赖关系,提供了解释性和灵活性。通过在亚马逊和 Digikala 数据集上使用预训练的语言模型(如 BERT 和 RoBERTa)与 RGCN 架构进行产品评论的情感分析,并评估结果,我们证明了我们方法的有效性。我们的实验证明了 RGCNs 在捕捉情感分析任务的关系信息方面的有效性。
Apr, 2024