【学习笔记】情感识别难？图神经网络创新方法大幅提高性能 深度学习在自然语言 ...-经管之家官网！

情感识别难？图神经网络创新方法大幅提高性能
深度学习在自然语言处理领域（NLP）取得了很大的进步。随着诸如 Attention 和 Transformers 之类新发明的出现，BERT 和 XLNet 一次次取得进步，使得文本情感识别之类的等任务变得更加容易。情感识别（ERC）是对文字背后的情感进行分类的任务，是构建能够与人类对话的智能 AI 的基石。
当前，大多数 ERC 所基于的两个主要的革新技术是递归神经网络（RNN）和注意力机制。但是，RNNs + Attention 在考虑来自相邻序列以及说话者的个性、主题和意图的上下文时仍然会遇到困难。再加上缺乏用于个性/情绪的标记基准数据集，不仅要实施而且还要衡量新模型的结效果，这确实变得非常困难。图卷积神经网络DialogueGCN这种相对创新的方法可解决其中的许多问题，特别在准确性方面取得了非常显著的进步。
算法重点:
1、上下文很重要。一个好的模型不仅要考虑对话的顺序上下文（句子的顺序，单词彼此之间的关联），还要考虑说话者级别的上下文（说话者说什么，当他们说话时，它们如何受到其他说话者和自己的影响）。与传统的序列模型和基于注意力的模型相比，集成说话者级别的上下文是一大进步。
2、序列并不是代表对话的唯一方式。数据的结构可以帮助捕获更多的上下文。在这种情况下，说话者级别的上下文更容易以图形格式编码。
3、图神经网络是 NLP 研究的宝库。聚合邻居信息的关键概念虽然看上去简单，但在捕获数据中的关系方面具有惊人的功能。
原文链接：
https://towardsdatascience.com/emotion-recognition-using-graph-convolutional-networks-9f22f04b244e