基于Attention-BiLSTM模型的对话式文本抑郁识别研究

为了精确高效地识别对话式文本的抑郁倾向,提出了一种基于Attention-BiLSTM模型的抑郁倾向识别方法。首先,使用预训练好的FastText语言模型完成对文本词性的向量化表示,并且通过同义词替换方法增强向量的情感特征。其次,在情感特征提取层将Attention机制与BiLSTM模型进行结合,学习对抑郁检测有高度贡献的单词权重和重要的隐藏特征。最后,采用Softmax分类器进行分类,获得最终的抑郁倾向。所提模型在DAIC-WOZ系列公开数据集上进行了验证,准确率达到91.75%,F1指标达到85.22%,均高于其他对比模型。

基于交互注意力机制的方面级多模态情感分析

近年来,由于智能手机的普及,使得以图片和文本为主要内容的用户评论不断增长,研究这些用户评论的情感倾向,对于企业优化其产品和服务具有十分重要的意义。然而,先前的方面级情感分析工作大多是面向文本的,对于融合了图片和文本的方面级情感分析鲜有研究。为此,该文提出了一种基于交互注意力机制的方面级多模态情感分析方法。该模型采用双向长短期记忆网络,捕获各模态和方面词的语义相关性,然后将处理后的文本和图像特征通过交互注意力机制,挖掘模态之间的关联性。此外,该文还采用了注意-过度注意网络共同学习句子和方面词的表示,并自动关注句子中的重要部分。在Multi-ZOL数据集上的实验结果表明,该模型在方面级情感分析任务上的表现是有效的。