技术成果简介

对话行为(DialogueActs,DA)是话语的语义标记，对理解交际至关重要。对话行为分类是为每句对话赋予一个或多个对话行为，从而表示说话人的意图，与人们的生活息息相关，因此，越来越多的学者展开了对话行为分类任务的研究。上下文信息为更好的解释对话提供了关键信息，因此对DAs进行预测需要对上下文很敏感。深度学习方法因其通常模拟相邻话语之间的依赖关系，引起了研究人员广泛的关注，并取得了很好的效果。在预测方面，现有技术将RNN和注意力机制结合起来进一步 改进了对DAs的预测。在分类方面，现有技术将DAs分类视为序列到序列的翻译任务，采用条件随机场(ConditionalRandomField,CRF)对DAs的顺序依赖关系进行建模。在说话人建模方面，现有技术采用图神经网络对说话人特定的话语进行单独建模。此外，还使用图神经网络来捕捉对话中的上下文信息。然而，这些研究讨论了模型捕捉全局或说话者内部语境信息的能力，而说话者之间连接的影响并没有得到很好的研究。在数据挖掘任务中也有对分层注意的研究，但现有的工作主要集中在词和局部信息以及上下文信息(词和句子层面，句子和对话，即语义连接)。很少有研究通过考虑说话者之间的联系来讨论句子和语境层面。本成果主要解决的技术问题是针对上述现有技术的不足，提供一种基于多层级图注意力的对话行为识别方法，以考虑上下文之间的相互联系和说话者之间的相互联系，设计说话人级特征变换，分析说话人话语之间的联系；构建了基于门控图卷积网络的上下文级特征选择，用于选择突出的上下文信息进行DAs预测。

技术成果前景

应用领域：电子信息、生物与医药