总述：
最大的特色就是将GCN用在了对话情感识别上，这里的coversation可能是不止两个人的。然后故事写得很好，inter-dependency和intra-dependency还有self-dependency唬的我一愣一愣的。
主要模型：
inter-depencency intra-dependency
所谓的inter-dependency其实就是说某一个speak对其他speaker情感的影响，或者说当前这个speaker受到其他speaker的影响（反正是受到外界的影响），而intra-dependency或者那个self-dependency就是受到自己前面说的话的影响。在这里作者就是一个用其他人说的话做了个encoder，一个用自己以前说的话做encoder（模型很简单故事很精彩,如果我理解错了，请各位大佬不吝赐教）
模型：
如图：主要模型分为三个部分，一个encoder部分，将用户的话语encoder成向量。第二个是个speaker-level context encoder部分，就是分用户进行encoding，也是建立所谓的inter-dependency和intra-dependency的时候，实质是通过gcn的传播找到各句话之间的联系。第三个部分就是一个emotion classify层了，这个十分简单。我觉得最有意思的一点就在于，建图方式。
第一部分：
先用glove embedding和cnn抽取了每一个句子的特征，得到了句向量。然后再把整个对话塞给GRU，得到了最终每一句话的句向量。
第二部分：建图很有意思
首先，每一句话是一个节点，并且第一阶段得到的句向量作为node embedding。
建边的方式也挺简单的，因为没一个节点是一句话，那么一句话的上面N句话和下面F句话就是（N+F）个节点，当前这句话代表的节点和这（N+F）个节点有边QAQ
边的权值：就是看一下当前这个节点的embedding gi和哪个节点的embedding最相近，过一层softmax归一化一下就是边的权值
接下来还有个边的关系：因为讲的故事中有涉及到两种dependency，所以图的边还有了一种新的属性--关系，其实给每两个不同人说的话定义一个关系，然后又考虑到这两个人说的两句话的先后关系，所以两个人之间实际上有两种关系。一种A在B前面说话，一种B在A前面说话。然后这样子的话M个人其实就有M平方种关系了（考虑自己和自己）。
总算把图建好了，这个图就有个连接的权值矩阵，有个关系矩阵。
做GCN的过程：
其中r是关系，阿尔法是权值，Wr是关系矩阵，gi是初试node embedding。N表示临接节点。
第三部分：
然后用这两个矩阵做一做GCN得到每一个node的embedding，然后再用这个embedding做分类就好了
一句话总结：
本文用对话中的句子作为节点，引入了inter-dependency和intra-dependency的概念，扩展了GCN中Graph的内容，在情感分类任务上实现了最佳效果。
亮点：
建图方式，讲故事的合理性与新颖性。
更多推荐
[NLU] DialogueGCN: A Graph Convolutional Neural Network for Emotion Recognition
发布评论