对话语境下的情感检测文献综述

1. 文献综述（或调研报告）：
2. Fine-Grained Emotion Detection in Contact Center Chat Utterances

这篇文章简要介绍了情感分类的两种机器学习上的应用。首先本文提出了3种处理方式，关键词和语言规则的方式都存在过于简单或复杂的不足，所以提出了应用机器学习来处理的两种思路。

作者针对机器学习方法，总结了现有的可以解决的两种方案：

1.对用于情绪检测的监督序列标记方法，具有丰富的内容和元（非内容）特征，采用可以在最小监督下构建的情感词汇。

2.基于神经网络的方法，其中表示话语中情绪内容的情绪向量作为神经网络的输入。这种基于神经网络的方法，其中表示话语中情绪内容的情绪向量作为神经网络的输入。

文章又提出最小监督情绪词典生成（ED-MSEL）的情绪检测来帮助第一种方法建立情感序列和使用情绪向量驱动的神经网络（ED-NNEV）来让情绪向量输入。并且作者提出了一套：幸福（ha）、保证（as）、认可（ag）、礼貌（co）、道歉（ap）、不高兴（uh）、不赞成（di）和无情感（ne），这样新颖的八级情感标签集。这个八级分类也对应于之后第二种方法用到的八维向量和输出的八个情感类。

最后文章还对一组真实数据进行了实践。

1. 方案（设计方案、或研究方案、研制方案）论证：

本课题的几个具体任务包括：

• 情感分类理论学习
• 机器学习基本理论学习
• 情感分类算法学习

针对情感分类理论部分的学习，着重以论文为基础，使用按八级分类来进行实践。

针对机器学习基本理论部分的学习，以学习清华大学出版社出版的《机器学习》为主。重点学习第五章的“神经网络”，第六章的“支持向量机”。在本次毕业设计的学习中，我选择针对机器学习最基本的算法，适当学习一些典型或新型的机器学习模型与思想；重点考虑理论，忽略一些实现上的复杂细节。

针对情感分类算法学习的方法，重点研究指导老师所给的论文，理解其核心思路实现细节。通过看这些论文的引用来拓宽学习范围。

1. 参考文献
2. A Sentiment-and-Semantics-Based Approach for Emotion Detection in Textual Conversations
3. Fine-Grained Emotion Detection in Contact Center Chat Utterances
4. S. Mundra, A. Sen, M. Sinha, S. Mannarswamy, S. Dandapat, and S. Roy. Finegrained emotion detection in contact center chat utterances. In Pacific-Asia Conference on Knowledge Discovery and Data Mining, pages 337–349. Springer, 2017.