技术特征：
1.一种基于情绪分析和生成式对抗网络的对话生成方法，其特征在于，包括以下步骤：构建基础对话模型，并获取多组已标注真实回答的对话样本数据训练所述基础对话模型；构建对话情绪分类器，并获取多组已标注情绪类别的对话样本数据训练所述对话情绪分类器；使用所述基础对话模型以及所述对话情绪分类器构建生成式对抗网络，所述生成式对抗网络基于所述基础对话模型生成生成器，基于所述对话情绪分类器生成判别器，所述判别器用于判别生成器输出回答与真实回答之间的情绪异同，并将根据所述情绪异同优化生成器的网络参数，使所述生成器的输出回答的情绪趋近于真实回答的情绪；训练所述生成式对抗网络，并使用训练好的所述生成式对抗网络生成对话。2.根据权利要求1所述的基于情绪分析和生成式对抗网络的对话生成方法，其特征在于，所述生成式对抗网络的生成器包括两个基础对话模型，分别为第一基础对话模型和第二基础对话模型；所述第一基础对话模型的输出端分别与所述第二基础对话模型的输入端、生成器的输入端连接；所述第二基础对话模型的输出端分别与所述第一基础对话模型的输入端、生成器的输入端连接；训练所述生成式对抗网络，包括以下步骤：将外界真实对话数据作为初始激励输入到所述第一基础对话模型中，迭代开始；在每轮迭代中：所述第一基础对话模型生成本轮迭代的输入量的第一回答数据；并将所述第一回答数据输入到所述第二基础对话模型中，作为所述第二基础对话模型在本轮迭代的输入量；还将所述第一回答数据输入到所述判别器中；所述第二基础对话模型生成所述第一回答数据的第二回答数据，并将所述第二回答数据输入到所述第一基础对话模型中作为第一基础对话模型的下轮迭代的输入量；还将所述第二回答数据输入到所述判别器中；所述判别器使用所述对话情绪分类器计算所述第一回答数据的第一情绪向量作为真实回答情绪，计算所述第二回答数据的第二情绪向量作为生成器输出回答的情绪，并根据所述第一情绪向量和第二情绪向量计算第二基础对话模型的输出损失，并使用所述输出损失更新所述第二基础对话模型的网络参数。3.根据权利要求2所述的基于情绪分析和生成式对抗网络的对话生成方法，其特征在于，根据所述第一情绪向量和第二情绪向量计算第二基础对话模型的输出损失，并使用所述输出损失更新所述第二基础对话模型的网络参数，具体为：将所述第一情绪向量和第二情绪向量输入交叉熵损失计算公式中，计算所述第二基础对话模型的输出损失；并将所述输出损失反向传播至所述第二基础对话模型中更新所述第二基础对话模型的梯度参数。4.根据权利要求3所述的基于情绪分析和生成式对抗网络的对话生成方法，其特征在于，所述基础对话模型为基于门循环控制单元的seq2seq模型；所述基础对话模型的编码器为双向门循环控制网络；所述基础对话模型的解码器为基于注意力机制的单向门循环控制网络；所述单向门循环控制网络的解码公式如下：e
t
′
t
＝a(s
t
′‑1，h
t
)
s
t
′
＝gru(y
t
′‑1，s
t
′‑1，c
t
′
)其中，t
′
为解码器的解码时刻，t为编码器的编码时刻，s
t
′‑1为t
′‑
1的解码器隐状态；h
t
为t编码时刻的编码器中间状态；e
t
′
t
为t
′‑
1解码时刻的解码器隐状态与t编码时刻的编码器中间状态之间的注意力的重要程度；a
t
′
t
为t
′
解码时刻下的解码器对t编码时刻下的编码器的隐藏状态的注意力权重，t为总时间步；c
t
′
为解码器在t
′
解码时刻的上下文变量。5.根据权利要求2所述的基于情绪分析和生成式对抗网络的对话生成方法，其特征在于，使用训练好的所述生成式对抗网络生成对话，具体包括以下步骤：将目标问题输入至所述第二基础对话模型中，得到所述目标问题的回答。6.根据权利要求5所述的基于情绪分析和生成式对抗网络的对话生成方法，其特征在于，所述基础对话模型的输入量的模态类型包括：语音、文字、视频中一种或任意几种的组合；所述基础对话模型的输出量的模态类型包括：语音、文字、视频中一种或任意几种的组合；所述基础对话模型的对话样本数据的模态类型包括：语音、文字、视频中一种或任意几种的组合；所述对话情绪分类器的输入量的模态类型包括：语音、文字、视频中一种或任意几种的组合；所述对话分类器的对话样本数据的模态类型包括：语音、文字、视频中一种或任意几种的组合。7.根据权利要求6所述的基于情绪分析和生成式对抗网络的对话生成方法，其特征在于，在训练时，所述第一基础对话模型的初始输入为多种不同模态的对话数据；所述第一基础对话模型的输出量的模态为文本；所述第二基础对话模型的输出量的模态为文本。8.根据权利要求6所述的基于情绪分析和生成式对抗网络的对话生成方法，其特征在于，所述第一基础对话模型的初始输入为多种不同模态的对话数据其中，x表示对话数据，上标数字表示对应对话数据的序号，n表示输入的对话数据个数；下标字母表示对应对话数据的类别；所述第一基础对话模型包括模态转换单元以及对话生成单元；所述模态转换单元用于将初始输入的多种不同模态的对话数据统一转化为预设的单模态数据所述对话生成单元用于生成所述单模态数据的第一回答数据其中，y表示第一回答数据；所述第二基础对话模型用于生成所述第一回答数据的第二回答数据z表示第二回答数据；所述对话情绪分类器用于输出所述第一回答数据的第一情绪向量其中，α表示第一情绪向量；所述对话情绪分类器用于输出所述第二回答数据的第二情绪向量β表示第二情绪向量。9.根据权利要求6所述的基于情绪分析和生成式对抗网络的对话生成方法，其特征在
于，所述第一基础对话模型的输入量和输出量均为多模态形式；所述第二基础对话模型的输入量和输出量均为多模态形式；所述对话情绪分类器包括多个不同种类的单模态情绪分类单元以及情绪融合单元；所述对话情绪分类器用于将多模态形式的第一回答数据或第二回答数据中的各个单模态数据分发给对应模态的情绪分类单元，各个情绪分类单元输出各个单模态数据的情绪给所述情绪融合单元，所述情绪融合单元采用决策融合的方式将所述第一回答数据或第二回答数据中的各个单模态数据的情绪进行融合，得到第一回答数据或第二回答数据的综合情绪向量。10.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至9任一所述方法的步骤。
技术总结
本发明公开了基于情绪分析和生成式对抗网络的对话生成方法及系统，通过构建并训练基础对话模型、对话情绪分类器；使用基础对话模型以及对话情绪分类器构建生成式对抗网络，生成式对抗网络基于基础对话模型生成生成器，基于对话情绪分类器生成判别器，判别器用于判别生成器输出回答与真实回答之间的情绪异同，并将根据情绪异同优化生成器的网络参数，使生成器的输出回答的情绪趋近于真实回答的情绪；训练生成式对抗网络，并使用训练好的生成式对抗网络生成对话。本发明使用基础对话模型以及对话情绪分类器构建生成式对抗网络；使训练完成的生成式对抗网络模型拥有配合用户情绪的能力，可根据用户使用时的情绪调整生成的语句，更加贴近真实对话。更加贴近真实对话。更加贴近真实对话。
技术研发人员：欧阳柳波 武文超
受保护的技术使用者：湖南大学
技术研发日：2021.12.30
技术公布日：2022/5/17