论文分享（3）----DialogueCRN: Contextual Reasoning Networks for Emotion Recognition in Conversations

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

前言

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

提示：以下是本篇文章正文内容，下面案例可供参考

一、摘要

本文重点研究的是对话中的情感，由于现有方面难以对情感线索的提取和整合，针对这一问题，作者提出了novel Contextual Reasoning Networks (DialogueCRN)。受情感认知理论的启发，设计了多回合推理模块，整合情感线索。

二、模型解析

1.定义问题

定义U=[u1,u2,…,uN]为一个对话中所包含的句子，N表示句子数量。P1,P2,…,PM表示对话U中有M个人。pφ(ui)表示句子和人的映射。对于λ ∈[1,M],Uλ 表示为Pλ 在U中所说话的集合，Uλ =｛ui|ui∈U and u spoken by Pλ｝

2.Text Features

本文是通过CNN和max_pooling来提取文本中上下文无关的特征，记为ui，其中ui∈du，du=100。

3.Model

本文把模型分为两个阶段，感知阶段和认知阶段。

3.1感知阶段

通过研究发现，对话中的特征主要分为，语境特征和说话者特征。所以本位将两者区分，其输出分别是U和Uλ，λ∈[1,M]
对于语境特征：

3.2认知阶段

受情感认知理论启发，这一过程是由多个回合组合而成，，而在每个回合中认知阶段又分为意识推理和直观检索两部分。则在第t个回合，情况如下：

总而言之，ui在Global Memory G和回合T的影响下变成qi，则
qsi = Cognitions(csi , Gs; Ts),
qvi = Cognitionv(cvi , Gv; Tv),
这之后文章整合两种特征送入分类层，得到预测结果。

4.模型图和结果

总结

作者构建了两类输入，一种是按原始句子顺序的输入，一种按speaker顺序的输入。这两种方式分别得到是句子语境信息和speak的情感色彩。在最终阶段把两类信息结合传入分类层，并最终提高了效果。