CPFformer：一种基于层次结构的图模型融合框架，用于提升中国诗歌发音中情感特征的可控性

《IEEE Transactions on Neural Networks and Learning Systems》：CPFformer: A Hierarchical-Based Graph Modeling Fusion Framework for Making the Emotional Features of Chinese Poetry Pronunciation More Controllable

中文诗歌发音情感特征分析框架CPFomer通过融合语音学、情感分析与时空建模技术，创新性地构建了包含空间网络异常检测、多尺度梅尔特征提取等模块的深度学习框架，有效提升了儿童语言能力与艺术素养。实验数据显示其MSE/MAE/RSE/R2指标优于现有方法，并首次创建标准诗歌发音数据集，为传统文化与人工智能融合提供新范式。

　　

摘要：

中国诗歌作为文化表达的巅峰，用简洁而富有表现力的语言凝练了人类情感和社会叙事。其独特的语言约束与音乐性相结合，使得分析诗歌发音中的情感特征对于提升儿童的语言能力和艺术鉴赏力至关重要。为此，我们提出了CPFformer这一新颖的深度学习框架，该框架融合了语音学和情感分析技术，以有效分析和预测中国诗歌发音的情感特征。CPFformer包含空间网络异常检测（ADSN）、时空学习（STL）、维度分割与嵌入（DSW）、时间注意力提取（ETA）以及编码器-解码器模块（EDSM）等组件。它利用图结构来捕捉情感特征在空间和时间上的全局与局部一致性，并采用多尺度Mel特征提取技术，实现对语音动态的全面分析，从而增强对情感表达的理解。实验结果表明，该模型的均方误差（MSE）、平均绝对误差（MAE）、残差标准误差（RSE）以及R2值分别为0.3572、0.2486、0.2014和0.9822，证明了其可行性和有效性，显示出相较于现有方法的优越性。专门为中文诗歌发音构建的数据集的创建为后续研究奠定了基础。CPFformer在语音技术和教育领域的应用前景广阔，预示着传统文化与人工智能的深度融合，有助于提升情感素养和智能学习环境的发展。其跨学科的应用潜力为相关研究和应用开辟了新的方向。