论文部分内容阅读
深度学习有较强的学习能力,能够以监督学习这一算法自动地从数据中提取有用的特征表示。它以优异的表现在图像识别、语音识别、知识图谱、自然语言处理等领域中获得了广泛的应用,同样在情感计算领域,深度学习算法的应用获得了巨大成功。深度学习算法的实现涉及到调参这一重要环节,不同超参数会带来不同的结果。同样,目前在情感计算领域中调参方法只依赖于手工搜索和经验设置,尽管网格搜索和随机搜索是自动完成的超参数搜索的过程,但是网格搜索穷举式的特点会带来消耗时间和资源等新的问题,而随机搜索具有盲目性。因此,在这一领域存在调参困难的问题。为了改进传统调参方法存在的不足,本文提出超参数自动搜索方法,并将其应用于语音情感识别和抑郁自动检测两个情感计算领域的重要任务中,目的是解决情感计算领域中调参难这一问题并通过寻找最佳参数配置以提高这两个任务的识别率和预测正确率,本文的主要研究工作包括:第一,针对在情感计算领域提出的深度学习模型调参难这一问题,结合机器学习中回归树可视化分析的优势,提出超参数自动搜索算法。它的主要思想是首先为情感计算领域中的任务选择合适的算法模型;其次为模型中的超参数分阶段设置搜索空间;最后在搜索空间中进行由粗略到精细的搜索过程,随机组合一组超参数配置,对算法模型进行训练,得到验证损失和测试损失,将得到的结果输入到回归树中进行分析,聚焦搜索空间。第二,将提出的超参数自动搜索方法应用于语音情感识别任务。实验数据来源于IEMOCAP数据集,基于数据集提供的TXT文件对语音中情感的描述,从九类情感中选取高兴、生气、中性、悲伤四类情感构建此任务的数据。通过在本文构建的情感分类数据库中的实验结果表明,基于超参数自动搜索能够有效地找到一组最佳超参数配置,取得了较好的识别结果。第三,将提出的超参数自动搜索方法应用于抑郁症自动分析任务。实验数据来源于AVEC 2017数据集,实验结果表明,基于超参数自动搜索方法能够快速、有效地获得较好的预测结果。