NLP AI logi c - диалоговые последовательности с несколькими параметрами на архитектуру последовательности

Question

У меня есть набор данных диалогов с различными параметрами (например, если это вопрос, действие, какие эмоции он передает и т.д. c). У меня есть 4 разных «информации» в предложении. скажем, в ответах BA есть дополнительный параметр в другом списке для возможных эмоций (1.0.0.0) (angry.happy.sad.bored) - еще один список возможных действий (1.0.0.0) (вопрос. answer.inpulse.ending)

Я знаю, как построить обычную модель RNN (из учебников и статей, которые я видел здесь и там), но я не могу найти архитектуру «параметров». Должен ли я тренировать несколько моделей? (например, предложение A -> эмоции, затем предложение B -> действия), затем обучить основной RNN отдельно и прогнозировать результат по всем моделям?

или есть способ построить одну единственную модель со всеми информация хранится в самом начале? Я прошу прощения за мой приблизительный английский sh, ведь мне еще труднее искать ответы.

Answer 1

Насколько я понимаю ваш вопрос, вы хотите найти эмоции / действия, основанные на определенном предложении. Предложение A имеет эмоции в качестве меток, а предложение B имеет действий в качестве меток. Каждая из меток имеет 4 разных значения, всего 8 значений. И вы не уверены, как реализовать метки в качестве входных данных.

Теперь вы можете присвоить всем этим меткам их отдельные классы. Как и эмоции будут иметь метки (1.2.3.4), а действия будут иметь метки (5.6.7.8). Затем объедините оба набора данных и выполните классификацию через RNN.

Если вам нужно передать эмоции / действия в качестве входных данных, добавьте их в векторизованную матрицу. Предположим, у вас есть предложение А с заявлением «Сегодняшняя среда очень хорошая» со счастливыми эмоциями. Добавьте эмоцию с помощью строки матрицы, например:

Сегодня | Окружающая среда | очень | хорошо | здоровье

1 | 1 | 1 | 1 | 0

Теперь добавьте эмоцию так, чтобы:

Сегодня | Окружающая среда | очень | хорошо | здоровье | эмоция

1 | 1 | 1 | 1 | 0 | 2 (для счастья)

Надеюсь, это ответит на ваш вопрос.