文献综述
随着计算机科学的发展,语音信号处理被广泛应用于社会的各个方面。目前语音处理领域中的语音情感识别技术已经变成了人机交互系统的关键。为了让人机交互更加的便捷和人性化,研究人员们开始对语音的情感信号着手进行研究。智能人机交互系统通过对操作者的情感进行分析,可以更为主动、更为准确地去实现操作人员的要求,而且可以及时的去调节对话的形式,使得交流更加智能化。本文的主要工作如下:(1)针对语音情感特征参数进行了优化。将梅尔频率倒谱系数优化整合,并与韵律特征、音质特征联合作为语音情感识别的特征参数。实验结果表明,由MFCC、I-MFCC和Mid-MFCC混合得到新的MFCC系数在整个频率段上的识别能力有明显提升。(2)提出了基于F-MFCC参数的语音情感识别算法。利用Fisher比准则对MFCC及其衍生参数I-MFCC、Mid-MFCC进行组合生成F-MFCC,将生成的F-MFCC与其他特征参数进行混合后,通过利用不同的基于谱的特征参数进行语音情感识别。实验结果表明,以F-MFCC作为特征参数能够进一步提升识别模型的识别率,且在一定程度上降低了特征参数的维度。(3)提出了基于新的决策模型的语音情感识别方法。将BP神经网络、支持向量机和K近邻算法各自得到的识别结果通过一个投票器,将投票器的输出作为识别结果。实验结果表明,新的决策模型能够减少语音误判的概率,使得最终的语音情感的平均识别率得到进一步提高。
将影响其分析的效果。例如，2016 年的罗尔诈捐门事件，公众情绪从最初的同情演变为后面的愤怒情绪，我们关注的重点可能不是公众情绪是什么，而是公众为什么会从同情演变为愤怒的情绪，由此可见，事件中的情绪原因的识别是非常重要和必需的。所谓情绪原因识别就是针对文本中出现的被描述者的情绪，抽取出触发被描述者情绪产生的原因信息。
目前，情绪归因一般研究人员大都采用基于规则和统计的方法[10-16]。随着深度学习在自然语言处理领域中的广泛应用，人们开始利用神经网络模型，通过对句子进行建模用于处理文本分类任务。 XinChi Chen[5] 采用 GRNN(Gated Recursive Neural Network) 、 Nal Kalchbrenner[6]和 Yoon Kim[7]通过不同卷积和池化的 CNN 神经网络对句子建模，最后他们都在 SST[8]、TREC[9]数据集上分别进行情感分类和问题分类，最后实验验证了采用 CNN 的句子建模可以获得最好的分类性能。由此可见，神经网络不仅可以应用到文本情感分类任务(SST[8]数据集上的情感分类)，还可以应用到文本问答类型的分类任务(TREC[9]数据集上的问题分类)。
本文针对文本情绪原因识别任务，提出了一种基于卷积神经网络的集成（E-CNN 模型） 的情绪原因识别方法，首先利用卷积神经网络对句子进行建模，在词向量的训练表示时，融合上下文语义信息，然后通过多个 CNN 的集成，用于文本情绪原因的识别。实验结果表明， 本文提出的 E-CNN(Ensemble Convolution Neural Network)方法，在情绪原因识别方面获得了较好的实验性能。
2 相关工作
针对情绪原因的识别，Ying Chen[10]等人通过对标注语料的分析，发现超过 80%的情绪原因信息位于出现情绪的核心子句的前后两个子句中，Sophia Yat Mei Lee[5]同样根据对标注的语料分析，获得情绪原因信息大多位于出现情绪的核心句的上下文信息中。为了获得这些情绪原因，研究人员主要采用基于规则和基于统计的方法。
基于规则的情绪原因识别方法方面，Ying Chen[10]和 Sophia Yat Mei Lee[11-12]等人建立了一个情绪归因的语料库，并且根据标注的语料库建立了相应的规则，用于情绪原因句子的识别。Kai Gao[13]等人提出一种基于规则的情绪原因识别模型，然后对相应的微博数据进行情绪原因的抽取，然而，制定的规则并不能完全覆盖所有的语言现象，而且同一个子句可能同时匹配多个规则，很容易造成规则冲突。再者不同领域语料的语言结构有一定的区别，针对特定领域的文本制定的规则并不能很好的适用于其它领域的文本，需要耗费巨大的人力物力重新分析语言结构用于添加新的规则。Alena Neviarouskaya[14]通过句法、语法和规则相结合的方法，分析“乐”的 8 种情绪原因的语言现象，以此来推测一段文本的情绪类别和情绪原因。Weiyuan Li[15]等人通过抽取情绪原因特征进行情绪分类，其特征抽取采用基于规则的方法。
在基于统计方法的情绪原因识别方面，袁丽[16]提取语言学线索词的特征、句子距离特 征、候选词词法特征等信息，然后得到特征向量空间，最后应用SVM 分类器和条件随机场对文本情绪归因进行了判别。Lin Gui 等人[17]既通过建立 25 条规则来进行文本情绪原因的预测，还运用分类方法来预测文本情绪原因。李逸薇[18]将情绪归因识别任务看成序列标注， 并建立了相应的模型，将所有候选原因子句当成一个序列，从而标记出哪些属于原因子句， 她特别指出在利用序列标注模型进行情绪原因识别的过程中，上下文特征尤为重要。Ghazi
D 等人[19]利用 FrameNet 建立了情绪和情绪原因相关联的数据集，然后利用 CRF 来预测文本句子级别的情绪。Gaoyan Ou 等人[20]建立文本公众情绪和情绪事件之间关系，利用文本情绪来进行文本中事件的预测。Lin Gui 等人[21]首先构建了一个情绪归因语料库，标注了表达情绪的核心子句，在核心句的前后子句中标注情绪原因子句，然后从核心句的前后每个子句中抽取候选原因事件，通过训练分类器，最后判定抽取的候选原因事件是否是情绪核心子的原因事件。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
