20101012semi 結合交互訊息與語意線索之情緒識機制.pptxVIP

結合交互訊息與語意線索之情緒辨識機制 國立臺南大學數位學習科技學系 指導教授:林豪鏘 教授 研究生:王偉哲 實驗流程 1. 資料前處理:對蒐集來資料的做前置的處理,包含擷取重要資訊、斷詞並標註詞性,來做為系統需要的格式。 2. 交互訊息:利用交互訊息將情緒與詞做的結合,並比較其關聯力強弱來做辨識的方法之一。 3. 語意結構訊息:分析詞語的基本語法,套用到一般語句上,用來提升辨識的效果。 4.辨識方法:提供 SeCeVa 與 SVM 兩種方法辨識情緒。 5.合併指標:利用最大準確度法以及最小錯誤法將 SeCeVa 與 SVM 結合,成為最後的情緒辨識結果 詞語分類 (1) 第一型情緒:正面強情緒 (2) 第二型情緒:正面弱情緒 (3) 第三型情緒:負面強情緒 (4) 第四型情緒:負面弱情緒 詞語分類 詞語分類 交互訊息 交互訊息 (Mutual Information; MI) 情感交互訊息 (Emotional Mutual Information; EMI) 詞組式 EMI (Phrase-based EMI; PEMI) 語意結構訊息 語意結構訊息 否定語意:具有否定意味的語意詞。 Ex:不可,不可能,不可以 轉折語意:有語氣轉折的語意詞。 Ex:終於,居然,但 連接語意標籤:具連接句子的語意詞。Ex:或是,以及,例如 辨識方法 Method_3：採用 Yang et al. (2007) 在該研究所提出的第三種方法 (本論文稱為 Method_3) SeCeVa：語意線索情緒投票演算法 (Semantic Clues Emotiom Voting Algorithm; SeCeVa) SVM：支持向量機 (Support Vector Machines; SVM) Method_3 實驗 (1) 比較MI、EMI、PEMI三者之間的方法,探討在不同量化方法產生的辭典資訊下,使用Method_3做為辨識準則的準確度之比較。 (2) 利用PEMI所產生的辭典,將Method_3加入語意結構訊息後所改良成的 SeCeVa,與未考慮語言處理的Method_3做比較,探討採用SeCeVa是否有助於辨識率的提升。 (3) 選取不同關鍵字來比較SeCeVa與SVM的個別準確度,調整最佳的關鍵字數。 (4) 利用最小錯誤法與最大準確度法兩種結合方法,統一採用PEMI所產生之辭典下,結合SeCeVa與SVM兩種辨識方法,探討是否有提升辨識率。 實驗 實驗 以噗浪為來源,蒐集了共19267句當作分析之語料庫,經由篩選後留下格式正確為19224句,留下的語料共包含35種情緒符號,利 用Thayer’s 2-D emotion model分為四類,X軸表示正負情緒,Y軸表示強度,並針對四類給於各自編號 將19224句語料隨機抽取75%做為訓練的資料,在語料剩餘的25%共 3806句語料中對於每個情緒編號各抽取500句當作測試資料,總共有2000句測試資料 實驗 實驗 實驗 實驗 實驗