賴雪梅，唐 宏，陳虹羽，李珊珊

（1.重慶郵電大學通信與信息工程學院，重慶 400065；2.移動通信技術(shù)重慶市重點實驗室（重慶郵電大學），重慶 400065）

（*通信作者電子郵箱798193875@qq.com）

0 引言

隨著互聯(lián)網(wǎng)的普及和科學技術(shù)的發(fā)展，大量用戶通過社交媒體（如微博、抖音、快手等）以文本、圖像、音頻或視頻等多種方式來發(fā)表自己的觀點，海量社交媒體數(shù)據(jù)的形態(tài)不再局限于單一的文本模式［1］。面對如此龐大的多模態(tài)信息，雖然單模態(tài)數(shù)據(jù)的情感分析近年來在客戶滿意度分析、衡量投票意向等方面取得了成功，但由于信息的多樣性，它不能有效處理多模態(tài)數(shù)據(jù)，多模態(tài)情感分析（Multimodal Sentiment Analysis）應(yīng)運而生［2］。

多模態(tài)情感分析是在單模態(tài)情感分析的基礎(chǔ)上，從文本、圖像或音頻組成的數(shù)據(jù)甚至視頻數(shù)據(jù)中對觀點、情感狀態(tài)等進行的計算研究［3］。社交媒體是各種產(chǎn)品和用戶服務(wù)意見的巨大來源，文本、圖像、音頻和視頻等多個模態(tài)信息的有效結(jié)合可以更好地指導分析，減少分類錯誤，提高情感分類器的準確性。對視頻進行情感分析可以彌補文本情感分析中聲音和視覺的不足，語音和面部表情為更好地識別意見持有者的情感狀態(tài)提供了重要線索，這對于輿情監(jiān)控、商品推薦和研究用戶反饋等實際應(yīng)用具有重大的現(xiàn)實意義［4-5］。

近年來，深度學習方法在情感分析領(lǐng)域取得了廣泛的應(yīng)用，顯示出巨大的潛力［6］。一般的深度學習模型有：卷積神經(jīng)網(wǎng) 絡(luò)（Convolutional Neural Network，CNN）［7］、長短時記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)［8］和門控循環(huán)單元（Gated Recurrent Unit，GRU）［9］等。大多數(shù)研究者將深度學習模型與多模態(tài)情感分析相結(jié)合以解決多模態(tài)特征融合問題，文獻［10］中使用LSTM 模型進行圖文融合。雖然研究者對多模態(tài)情感分析模型提出了許多改進方法，也在一定程度上解決了相關(guān)問題并改善了性能，但仍存在不足之處。由于視頻中的每一句話都是在不同時間以特定順序說出的，所以視頻可以視為一系列具有序列關(guān)系的話語。以前的方法大都忽略了視頻中的話語順序，沒有考慮每個話語的上下文信息。因為情感的表達通常通過語言、聲音和視覺等多種行為之間的相互作用完成，所以如何準確捕捉這些信息之間的聯(lián)系至關(guān)重要。而且人們在進行情感表達時，每個模態(tài)對情感分類的貢獻度不同，這會對最后的情感分類結(jié)果產(chǎn)生直接的影響。

本文針對以上問題，提出一種基于注意力機制的特征融合-雙向門控循環(huán)單元多模態(tài)情感分析模型（Feature fusion based on Attention Mechanism-Bidirectional Gated Recurrent Unit，AMF-BiGRU）。首先，采用雙向門控循環(huán)單元（Bidirectional Gated Recurrent Unit，BiGRU）對文本、語音和圖像特征進行預處理，得到具有上下文信息的各模態(tài)特征表示；然后，通過跨模態(tài)注意力交互網(wǎng)絡(luò)對各模態(tài)與模態(tài)之間的交互作用進行建模；最后通過注意力機制考慮各模態(tài)貢獻程度，將視頻中的多模態(tài)特征有效融合，從而進行情感分類。為驗證本文模型的有效性，在CMU-MOSI（CMU Multimodal Opinion-level Sentiment Intensity）［11］和 CMU-MOSEI（CMU Multimodal Opinion Sentiment and Emotion Intensity）［12］數(shù)據(jù)集上進行測試，該模型在準確率和F1值上均表現(xiàn)出較好的分類效果。

1 相關(guān)工作

在視頻多模態(tài)情感分析中，首先從視頻中提取文本、語音和圖像特征，然后使用早融合［13］或晚融合［14］的方法將其融合分類。目前多模態(tài)情感分析方法主要分為兩類：1）獨立學習各模態(tài)特征并將其融合輸出［15-16］；2）共同學習兩種或三種模態(tài)之間的交互作用［17-22］。

在將多模態(tài)特征融合之前，提取相鄰話語間的上下文關(guān)系是多模態(tài)情感分析領(lǐng)域中一個重要的研究課題。文獻［15］中提出了BC-LSTM（Bi-directional Contextual Long Short-Term Memory）模型，該模型在提取每個樣本特征時采用雙向LSTM結(jié)構(gòu)捕捉上下文信息。文獻［16］提出了GME-LSTM（A）（Gated Multimodal Embedding Long Short-Term Memory with temporal Attention）模型，將LSTM 嵌入門控機制并結(jié)合時間注意力進行單詞級別的融合。但是這兩種方法都忽略了各模態(tài)內(nèi)部信息與模態(tài)之間交互作用的結(jié)合。

如何對模態(tài)內(nèi)部信息與模態(tài)之間的交互作用進行建模是一個問題，文獻［17］中提出了張量融合網(wǎng)絡(luò)（Tensor Fusion Network，TFN），通過創(chuàng)建多維張量來模擬單個模態(tài)和交叉模態(tài)特征，將單模態(tài)、雙模態(tài)和三模態(tài)之間的相互作用結(jié)合起來，但其空間復雜度較高。隨著注意力機制（Attention Mechanism，AM）［18］的流行，越來越多的研究者將AM 應(yīng)用于多模態(tài)情感分析中：文獻［19］中提出了多注意力循環(huán)網(wǎng)絡(luò)（Multi-Attention Recurrent Network，MARN），通過分配多個注意分數(shù)來模擬模態(tài)內(nèi)部和跨模態(tài)之間的交互作用；文獻［20］中則提出了一種基于注意網(wǎng)絡(luò)和門控記憶的多視圖順序?qū)W習的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對模態(tài)之間的交互作用進行建模，稱之為記憶力融合網(wǎng)絡(luò)（Memory Fusion Network，MFN）；文獻［12］中利用動態(tài)融合圖代替MFN 中的注意網(wǎng)絡(luò)來學習模態(tài)動力學，得到了Graph-MFN（Graph Memory Fusion Network）模型；文獻［21］和文獻［22］則利用多頭注意力機制進行多模態(tài)情感分析研究。雖然上述文獻在精度度量方面取得了成功，但未對融合過程中的各個模態(tài)是如何參與交互創(chuàng)造新的見解，而且也沒有考慮各個模態(tài)的貢獻程度對最后情感分類結(jié)果的影響。

2 基于AMF-BiGRU多模態(tài)情感分析模型

圖1 為本文提出的基于注意力機制的特征融合-雙向門控循環(huán)單元多模態(tài)情感分析（AMF-BiGRU）模型框架。

圖1 AMF-BiGRU模型框架Fig.1 Framework of AMF-BiGRU model

AMF-BiGRU模型主要包括以下4個部分：

1）上下文話語特征表示，稱之為Level1。該部分主要是將提取出的文本、語音和圖像特征分別輸入BiGRU 網(wǎng)絡(luò)中，得到各自具有上下文信息的特征表示。

2）跨模態(tài)注意力交互（Cross-Modality Attention Interaction，CMAI），稱之為Level2。這一部分主要是將模態(tài)內(nèi)部信息和模態(tài)之間的交互作用相結(jié)合，得到具有交互作用的各模態(tài)特征表示。

3）多模態(tài)注意力融合，稱之為Level3。該層主要使用注意力機制來考慮各模態(tài)的貢獻程度，并將多模態(tài)信息融合。

4）情感分類：將融合的多模態(tài)信息進行情感分類。

2.1 上下文話語特征表示

每段視頻可以看作是由一系列具有上下文關(guān)系的話語組成。假設(shè)共有N段視頻，其中任意視頻i的最大話語長度為Li，則視頻i的全部話語為：ui=ui1，ui2，…，。對于視頻i中的任意話語j，采用由卡內(nèi)基梅隆大學提供的多模態(tài)數(shù)據(jù)SDK工具分別獲取文本、語音和圖像特征，可以得到視頻i中話語j的文本特征表示語音特征表示、圖像特征表示。假設(shè)各單模態(tài)特征有km維，對于模態(tài)m的每個話語特征可以表示為，將一段視頻中所有話語的特征存放于矩陣中得到：

其中：m代表哪個模態(tài)，且m∈{T，A，V}，T 代表文本、A 代表語音、V代表圖像。

GRU 模型由更新門zt和重置門rt構(gòu)成，結(jié)構(gòu)簡潔，能夠有效緩解梯度爆炸或彌散問題。GRU可表示為：

其中：xit為視頻i中第t個話語的輸入特征為話語t的候選隱藏狀態(tài)，ht為話語t的隱藏層狀態(tài)；U、W和b分別為權(quán)重和偏置；δ函數(shù)為Sigmoid 激活函數(shù)，*表示矩陣對應(yīng)元素相乘。雖然GRU 能夠解決話語的長期依賴問題，但并未利用話語之間的上下文信息。BiGRU不僅參數(shù)少，而且訓練快，能夠記住話語中上下文的長期依賴關(guān)系，輸出更緊湊的表達信息。因此本文采用BiGRU 模型去捕捉各模態(tài)中所有話語的上下文信息，其表達式如下：

2.2 跨模態(tài)注意力交互

多模態(tài)情感分析的一個挑戰(zhàn)在于如何有效地將模態(tài)內(nèi)部信息與模態(tài)之間的交互作用相結(jié)合，而各個模態(tài)之間是如何參與交互的是一個令人深思的問題。在AMF-BiGRU 模型中，模態(tài)內(nèi)部信息由Level1 中得到的具有上下文信息的特征表示；受文獻［23］的啟發(fā)，將具有上下文信息的特征通過CMAI網(wǎng)絡(luò)層，從而獲得模態(tài)之間的交互作用。此處CMAI 網(wǎng)絡(luò)層主要由三部分組成：

1）CMAI_TA（Cross-Modality Attention Interaction_Text Audio）：將具有上下文信息的文本、語音特征輸入到CMAI_TA 網(wǎng)絡(luò)層中，獲得文本和語音之間的跨模態(tài)交互作用表示

2）CMAI_TV（Cross-Modality Attention Interaction_Text Visual）：將具有上下文信息的文本、圖像特征輸入到CMAI_TV 網(wǎng)絡(luò)層中，獲得文本和圖像之間的跨模態(tài)交互作用表示

3）CMAI_AV（Cross-Modality Attention Interaction_Audio Visual）：將具有上下文信息的語音、圖像特征輸入到CMAI_AV 網(wǎng)絡(luò)層中，獲得語音和圖像之間的跨模態(tài)交互作用表示

假設(shè)由CMAI_EQ（Cross-Modality Attention Interaction_EQ）網(wǎng)絡(luò)層獲得視頻i中模態(tài)E和模態(tài)Q之間的跨模態(tài)交互作用表示。其中，將Ei和Qi作為CMAI_EQ 網(wǎng)絡(luò)層的輸入特征?？傻玫骄哂薪换プ饔玫哪B(tài)E 特征表示為，其計算公式如下：

2.3 多模態(tài)注意力融合

人們在進行情感表達時，并非所有的模態(tài)對情感分類都同等重要。有些人喜歡用浮夸的表情來表達自己的喜好，而有些人更傾向用音調(diào)的高低來進行情感的表達，所以各模態(tài)情感特征的貢獻程度對最后的情感分類會產(chǎn)生直接的影響。本文根據(jù)AM 確定各模態(tài)的貢獻程度，將在Level2 得到的模態(tài)m的特征輸入到注意力網(wǎng)絡(luò)，且模態(tài)m所占的注意力權(quán)重為βm，通過加權(quán)累加得到最后用于分類的融合總特征，計算的表達式為：

其中：Pm為隱藏單元狀態(tài)，分別是權(quán)重和偏置，βm是經(jīng)歸一化后的權(quán)重向量。

2.4 情感分類

使用全連接層和softmax 函數(shù)對融合總特征進行情感分類，分類結(jié)果為：

式中：Wt、bt為全連接層的權(quán)重和偏置，Wsoft、bsoft為softmax 層的權(quán)重和偏置，yi為最終的情感分類結(jié)果。

2.5 優(yōu)化策略

在訓練過程中，本文采用交叉熵作為損失函數(shù)，公式如下：

3 實驗結(jié)果與分析

3.1 實驗數(shù)據(jù)集

本文采用CMU-MOSI 和CMU-MOSEI 數(shù)據(jù)集進行仿真實驗。

1）CMU-MOSI（CMU Multimodal Opinion-level Sentiment Intensity）數(shù)據(jù)集：包括93段視頻、2 199個話語，每個話語都有一個與之相應(yīng)的情感標簽。在本文中，獲取的文本、語音和圖像特征中每個話語的特征維度分別為100 維、73 維和100 維，每個話語的情感極性被標注為積極或消極。采用62 段視頻（1 447 個話語）作為訓練集、31 段視頻（752 個話語）作為測試集，并從訓練集中選取20%數(shù)據(jù)作為驗證集。

2）CMU-MOSEI（CMU Multimodal Opinion Sentiment and Emotion Intensity）數(shù)據(jù)集：是目前最大的視頻多模態(tài)情感分析數(shù)據(jù)集。包括3 229 段視頻、22 676 個話語，每個話語都有一個與之相應(yīng)的情感標簽，其情感標簽范圍為［-3，+3］。在本文中，獲取的文本、語音和圖像特征中每個話語的特征維度分別為300 維、74 維和35 維，將情感極性大于等于0 的記為積極、小于0 的記為消極。采用2 250 段視頻（16 216 個話語）作為訓練集、679 段視頻（4 625 個話語）作為測試集、300 段視頻（1 835 個話語）作為驗證集。實驗數(shù)據(jù)集的統(tǒng)計信息如表1所示。

表1 實驗數(shù)據(jù)集的統(tǒng)計信息Tab.1 Statistics of experimental datasets

3.2 參數(shù)設(shè)置及評價指標

實驗代碼采用基于Tensorflow后端的Keras深度學習框架編寫。在模型的訓練過程中，參數(shù)設(shè)置十分重要，本文所提方法的參數(shù)設(shè)置如表2所示。

表2 實驗參數(shù)設(shè)置Tab.2 Experiment parameters setting

本文通過準確率（Accuracy）和F1 值（F1-Score）對情感分類的性能進行評估，F(xiàn)1 值是綜合考慮了精確率和召回率的指標。

3.3 實驗分析

為了驗證本文所提模型的有效性，對比實驗采用兩種形式：一是同AMF-BiGRU 模型的變體進行對比，二是同經(jīng)典的多模態(tài)情感分析模型進行對比。

AMF-BiGRU 模型的變體有3 種：1）NM（No Model）：不使用任何模型，直接將文本、語音和圖像特征拼接，然后送入softmax 分類器進行分類輸出。2）BiGRU：將各單模態(tài)特征分別輸入上下文BiGRU 層，并進行拼接分類輸出。3）CMAIBiGRU（Cross-Modality Attention Interaction Bidirectional Gated Recurrent Unit）：在BiGRU 的基礎(chǔ)上，加入跨模態(tài)注意力交互網(wǎng)絡(luò)層，然后再分類輸出。

經(jīng)典的多模態(tài)情感分析模型有以下6種方法：

1）BC-LSTM［15］。在提取各單模態(tài)特征時采用雙向LSTM網(wǎng)絡(luò)結(jié)構(gòu)捕捉上下文信息。

2）GME-LSTM（A）［16］。將LSTM 嵌入門控機制并結(jié)合時間注意力進行單詞級別的融合。

3）TFN［17］。通過創(chuàng)建多維張量來模擬單個模態(tài)和交叉模態(tài)特征，將單模態(tài)、雙模態(tài)和三模態(tài)之間的相互作用結(jié)合起來。

4）MFN［20］?；谧⒁饩W(wǎng)絡(luò)和門控記憶的多視圖順序?qū)W習的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，很好地建模了模態(tài)間交互作用。

5）MARN［19］。通過分配多個注意分數(shù)來模擬模態(tài)內(nèi)部和跨模態(tài)之間的交互作用。

6）Graph-MFN［12］。利用動態(tài)融合圖代替記憶力融合網(wǎng)絡(luò)中的注意網(wǎng)絡(luò)來學習模態(tài)動力學。

在以下表格中，各符號代表含義為：文本（Text，T）、圖像（Visual，V）、語音（Audio，A），T+V 表示文本與圖像融合，T+A表示文本與語音融合，V+A 表示圖像與語音融合，T+V+A 表示文本、圖像與語音融合。

表3和表4分別顯示了本文所提AMF-BiGRU 模型及其變體在CMU-MOSI、CMU-MOSEI 數(shù)據(jù)集上的準確率和F1 值對比。就單模態(tài)特征、雙模態(tài)融合特征以及三模態(tài)融合特征而言，本文將AMF-BiGRU 模型同其變體進行對比分析。對比BiGRU 與NM 模型，在CMU-MOSI 數(shù)據(jù)集上，BiGRU 比NM 在分類準確率上提升了2.52%～10.94%，在F1 值上提升了2.14%～10.65%；在CMU-MOSEI數(shù)據(jù)集上，BiGRU 比NM 在分類準確率上提升了0.61%～3.52%，在F1 值上提升了1.37%～4.07%。由此可見，加入BiGRU 來考慮話語中上下文的依賴關(guān)系是有效的。

由于跨模態(tài)交互作用需要在兩個模態(tài)及以上進行，由表3 和表4 可以看出，在CMU-MOSI 數(shù)據(jù)集上，CMAI-BiGRU 比BiGRU 在分類準確率上提升了0.29%～4.94%，在F1 值上提升了0.14%～4.16%；在CMU-MOSEI 數(shù)據(jù)集上，CMAI-BiGRU比BiGRU 在分類準確率上提升了0.21%～0.64%，在F1 值上提升了1.10%～1.49%。實驗結(jié)果表明，考慮跨模態(tài)交互作用能提高情感分類性能。

表3 AMF-BiGRU模型及其變體在CMU-MOSI數(shù)據(jù)集上的準確率和F1值對比 單位：%Tab.3 Comparison of accuracy and F1-Score among AMF-BiGRU model and its variants on CMU-MOSI dataset unit：%

表4 AMF-BiGRU模型及其變體在CMU-MOSEI數(shù)據(jù)集上的準確率和F1值對比 單位：%Tab.4 Comparison of accuracy and F1-Score among AMF-BiGRU model and its variants on CMU-MOSEI dataset unit：%

對比AMF-BiGRU 與CMAI-BiGRU 模型：在CMU-MOSI 數(shù)據(jù)集上，AMF-BiGRU 比CMAI-BiGRU 在分類準確率上提升了1.08%～4.03%，在F1 值上提升了1.20%～3.48%；在CMUMOSEI 數(shù)據(jù)集上，AMF-BiGRU 比CMAI-BiGRU 在分類準確率上提升了0.52%～1.96%，在F1 值上提升了0.77%～2.13%。由此可見，各模態(tài)的貢獻程度會對最后的情感分類結(jié)果產(chǎn)生影響，而本文提出的AMF-BiGRU模型情感分類效果最好。

由表3 和表4 可以看出，在兩個數(shù)據(jù)集上，對于任一種模型，利用單模態(tài)特征進行分類時，文本特征的分類準確率和F1 值最高，那是因為文本中通常包含更豐富的信息；利用雙模態(tài)融合特征進行分類時，文本-圖像、文本-語音的分類性能相當，但雙模態(tài)融合特征的分類性能都比其單模態(tài)特征好；利用三模態(tài)融合特征進行分類時的效果最好。所以，將文本、語音和圖像這三種特征進行有效融合有助于提高情感分類的性能。而本文提出的AMF-BiGRU 模型在三模態(tài)融合特征中的分類效果最好，其在CMU-MOSI 數(shù)據(jù)集上的準確率和F1 值分別達到了82.05%、82.02%；在CMU-MOSEI 數(shù)據(jù)集上的準確率和F1值分別達到了78.48%、78.16%。

就三模態(tài)融合特征而言，表5 顯示了AMF-BiGRU 模型與經(jīng)典的多模態(tài)情感分析方法在CMU-MOSI 和CMU-MOSEI 數(shù)據(jù)集上的準確率和F1 值對比。對于CMU-MOSI 數(shù)據(jù)集，本文所提模型在準確率上比BC-LSTM、GME-LSTM（A）、TFN、MARN 方法分別提升了2.18%、7.25%、6.42%、6.01%，在F1值上比BC-LSTM、GME-LSTM（A）、TFN、MARN 方法分別提升了2.40%、11.74%、5.29%、6.52%。

表5 不同方法在CMU-MOSI和CMU-MOSEI數(shù)據(jù)集上的準確率和F1值對比 單位：%Tab.5 Comparison of accuracy and F1-Score among different methods on CMU-MOSI and CMU-MOSEI datasets unit：%

對于CMU-MOSEI 數(shù)據(jù)集，本文所提模型在準確率上比BC-LSTM、MFN、MARN、Graph-MFN 方法分別提升了1.13%、3.26%、2.72%、2.05%，在F1 值上比BC-LSTM、MFN、MARN、Graph-MFN方法分別提升了1.11%、2.84%、2.30%、1.51%。

實驗結(jié)果表明，提出的AMF-BiGRU 模型的準確率和F1值在CMU-MOSI 和CMU-MOSEI 數(shù)據(jù)集上均優(yōu)于對比方法。分析結(jié)果產(chǎn)生的原因，AMF-BiGRU 模型的優(yōu)越性在于：首先使用BiGRU 充分利用了上下文話語間的互補信息；其次使用CMAI網(wǎng)絡(luò)層將兩個模態(tài)之間的交互作用進行了很好的結(jié)合，考慮了模態(tài)間的動態(tài)聯(lián)系；最后使用注意力機制為每個模態(tài)分配一個權(quán)重，使權(quán)重較大的模態(tài)更有助于情感分類。

3.4 耗時分析

在常用的計算機處理器上對每個話語進行情感預測，具體實驗環(huán)境為：Intel Core i5-7500 CPU 3.40 GHz，8.00 GB RAM，Windows 10，Python 3.6.5。AMF-BiGRU 模型在CMUMOSI 和CMU-MOSEI 數(shù)據(jù)集上的實際處理速度如表6 所示。從表6 可以看出，對于CMU-MOSI 數(shù)據(jù)集，每個話語的平均預測耗時為3.067 ms，遠小于每個話語的平均時長4.536 s；對于CMU-MOSEI 數(shù)據(jù)集，每個話語的平均預測耗時為1.544 ms，遠小于每個話語的平均時長7.158 s，所以能夠滿足實時性要求。之所以這兩個數(shù)據(jù)集的平均預測耗時不同，是因為這兩個數(shù)據(jù)集的特征提取方式不同，導致每個話語中各模態(tài)的特征向量維度不同，計算機的處理速度會有所差異。

表6 不同數(shù)據(jù)集中每個話語的耗時情況Tab.6 Time consumption of each utterance in different datasets

此外，本文還對不同方法在CMU-MOSI和CMU-MOSEI數(shù)據(jù)集上預測每個話語的耗時情況進行了對比，如表7所示。

表7 不同方法在CMU-MOSI和CMU-MOSEI數(shù)據(jù)集上預測每個話語的耗時對比Tab.7 Time consumption comparison of different methods to predict each utterance on CMU-MOSI and CMU-MOSEI datasets

從表7 可以看出，將這些模型應(yīng)用于視頻話語情感預測時，每個話語的平均預測耗時均遠小于平均時長，實時性都比較高。對于CMU-MOSI數(shù)據(jù)集，BC-LSTM 模型比較簡單，所以其預測耗時最??；GME-LSTM（A）模型加入了門控和短時注意力，所以其結(jié)構(gòu)較BC-LSTM 復雜，預測耗時相應(yīng)增加；TFN 模型使用了張量網(wǎng)絡(luò)，MARN 模型運用多模注意力塊，涉及大量的張量運算，這兩個預測耗時是最多的；AMF-BiGRU 模型引入了跨模態(tài)注意力交互和多模態(tài)注意力融合層，其預測耗時位列第三，但和對比模型都相差不大。對于CMU-MOSEI數(shù)據(jù)集，BC-LSTM 模型預測耗時最?。籑FN 模型使用記憶注意網(wǎng)絡(luò)學習多視圖之間的交互，其預測耗時增加；Graph-MFN 模型使用動態(tài)融合圖替代MFN 模型中的記憶注意網(wǎng)絡(luò)，增加了更復雜的張量運算，所以其預測耗時最多；從整體來看，AMFBiGRU模型與對比模型在每個話語的平均預測耗時方面都相差不大，都能很好地滿足實時性需求。

3.5 例子分析

為了更好地體現(xiàn)本文所提方法的泛化性，采用一些實際數(shù)據(jù)在AMF-BiGRU 模型上進行測試，如表8 所示。表8 中所列話語為一段視頻中的連續(xù)幾個話語片段，表中列出了每個話語的文本（T）、圖像（V）、語音（A）的實際表示，以及真實情感與預測情感的情感極性。

表8 多模態(tài)情感分析的例子Tab.8 Examples of multimodal sentiment analysis

圖2 視頻圖片F(xiàn)ig.2 Pictures of a video

可以看出，從文本、圖像、語音任意單模態(tài)信息中，話語1和話語3都可以明顯地表示出消極的情感，話語5可以明顯地表示出積極的情感，所以情感預測正確。雖然話語2 中的文本表示比較含蓄，而且?guī)в形⑿Φ谋砬?，但是其音調(diào)低、語速偏慢，它的下文（即話語3）情感極性是消極的，所以可以正確地預測出話語2 表示的是消極的情感。話語4 中圖像和語音表現(xiàn)出中性情感，但其文本很明顯地表示出積極，所以可以正確預測出其情感極性為積極。通過這個多模態(tài)情感分析的例子，可以表明AMF-BiGRU 模型能將文本、圖像、語音這三種模態(tài)信息有效融合，正確預測出每個話語的情感極性。

4 結(jié)語

為了有效地將視頻中所包含的情感進行分類，提出了一種AMF-BiGRU 模型進行視頻多模態(tài)情感分析研究。首先，使用BiGRU 獲取視頻中話語之間的上下文信息；然后，使用跨模態(tài)注意力交互網(wǎng)絡(luò)獲取兩個模態(tài)之間的交互作用；最后，引入注意力機制來考慮各個模態(tài)的貢獻程度。在公開的CMUMOSI 和CMU-MOSEI 數(shù)據(jù)集上進行驗證分析，實驗結(jié)果表明本文提出的AMF-BiGRU 模型可以很好地將多模態(tài)特征融合，提高多模態(tài)情感分類性能。在整體上，本文所提出的方法在準確率以及F1 值上均優(yōu)于其他方法。如何提高多模態(tài)情感分析模型的魯棒性是下一步的主要研究內(nèi)容。