针对变分自编码器在情感文本生成中,未能有效建模情感与语义交互的潜在空间及真实后验复杂性的问题,提出一种面向多粒度特征融合与流增强的情感文本生成方法(multi-granularity feature fusion and flowenhanced,MGF-VAE).通过多粒度信...
详细信息
针对变分自编码器在情感文本生成中,未能有效建模情感与语义交互的潜在空间及真实后验复杂性的问题,提出一种面向多粒度特征融合与流增强的情感文本生成方法(multi-granularity feature fusion and flowenhanced,MGF-VAE).通过多粒度信息提取模块捕获局部情感和全局语义的特征,由引导双重注意力进一步学习情感语义间的相关性,并采用豪斯霍尔德变换加强对潜在空间的后验分布表示,以解决文本建模问题,从而生成更自然丰富的文本.在Yelp和Amazon数据集上的实验结果表明,较基准模型相比MGF-VAE模型在平均绝对误差和多样性指标上分别实现了2.81%和2.66%的平均相对提升.
暂无评论