【技术实现步骤摘要】
基于机器学习的情绪预测方法、装置、设备和存储介质
本专利技术涉及情绪预测领域,尤其是一种基于机器学习的情绪预测方法、装置、设备和存储介质。
技术介绍
近年来,人们的生活节奏加快,情绪也容易受压力影响产生波动,而情绪不仅对个人的身心健康有影响,还可能对整个社会的经济发展也产生影响。比如,一个人如果长期处于消极的情绪下,可能会诱发头痛、感冒、哮喘、胃病、糖尿病甚至癌症等疾病,而这种情况肯定也不利于人的正常工作,导致工作效率低下,影响社会的经济发展。所以,了解自身的情绪状态是十分有必要的。情绪一般分为两种emotion和mood,其中emotion通常由某事或某人引起,持续时间很短(几秒或几分钟),通常有明确的类别,如愤怒、恐惧、悲伤、愉悦、恶心和惊喜等,而mood一般原因不明,持续时间较长(几小时或几天),一般只分积极mood和消极mood,而每一种mood可能包含多种emotion。现有对情绪的识别与预测,多数是针对emotion的识别,主要采集的是如心率、呼吸、动作等生理信号以及声音、面部表情等,根据识别出来的emotion可以了解人当前的情绪状态,这种情绪状态持续时间很短,对人的健康状态影响程度不是很大。而mood可以看作是一段时间内所有emotion的综合表现,而且mood持续的时间长,对人的健康影响程度很大,所以对mood的预测对了解人的健康状态更有意义,因此需要提出一种以mood作为目标的情绪预测方法。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本专利技术的一个目的是提供一种以mood作为目标的基于机器学习的情绪预 ...
【技术保护点】
1.一种基于机器学习的情绪预测方法,其特征在于,包括步骤:S1:获取第一预设时间内多维特征值,得到第一训练样本集;S2:根据所述第一训练样本集对情绪预测模型进行训练,得到训练后的第一情绪预测模型;S3:获取用于预测的多维特征值,得到第一预测样本集;S4:根据所述第一预测样本集和所述训练后的第一情绪预测模型,进行情绪预测。
【技术特征摘要】
1.一种基于机器学习的情绪预测方法,其特征在于,包括步骤:S1:获取第一预设时间内多维特征值,得到第一训练样本集;S2:根据所述第一训练样本集对情绪预测模型进行训练,得到训练后的第一情绪预测模型;S3:获取用于预测的多维特征值,得到第一预测样本集;S4:根据所述第一预测样本集和所述训练后的第一情绪预测模型,进行情绪预测。2.根据权利要求1所述的一种基于机器学习的情绪预测方法,其特征在于,步骤S1中所述多维特征值包括:手机使用特征和/或活动特征和/或环境特征和/或用户信息特征。3.根据权利要求2所述的一种基于机器学习的情绪预测方法,其特征在于,用户信息特征包括年龄特征、性别特征、和mood值特征,所述mood值特征具体为:获取第一单位时间内emotion类型参数和每个emotion的持续时间参数;对每个emotion参数值进行量化加权得到该单位时间内的mood值;所述emotion参数包括高兴参数、兴奋参数、紧张参数、愤怒参数、悲伤参数、郁闷参数、困倦参数和放松参数;所述mood值是一个二维特征值,所述二维特征值的第一维特征表示情绪极性,包括消极参数和积极参数,第二维特征表示情绪极性的程度参数。4.根据权利要求3所述的一种基于机器学习的情绪预测方法,其特征在于,所述量化加权具体为:其中,ne表示第一单位时间内的emotion参数的个数,Tmood是第一单位时间内的mood值,ei是第一单位时间内的第i个emotion参数值,ti是第i个emotion持续的时间。5.根据权利要求2所述的一种基于机器学习的情绪预测方法,其特征在于,步骤S2中根据所述第一训练样本集对情绪预测模型进行训练,所述情绪预测模型具体为:其中,m表示的特征值个数,ymood为预测的mood情绪,为二维参数,ωi为第i个特征值对应的权值参数,xi为第i个特征值。6.根据权利要求5所述的一种基于机器学习的情绪预测方法,其特征在于,步骤S2中所述情绪预测模型包括一般化情绪预测模型和/或个性化情绪预测模型;对应的,所述步骤S1中的第一训练样本集包括多个用户第一训练样本集和/或单个用户第一训练样本集。7.根据权利要求6所述的一种基于机器学习的情绪预测方法,其特征在于,步骤S2中根据所述第一训练样本集对情绪预测模型进行训练,所述训练过程通过岭回归模型进行训练,所述岭回归模型为:其中,X是第一训练样本集中所有参与训练的特征值构成的特征矩阵,Y是目标值矩阵,即预测的mood情绪ymood组成的二维矩阵,α为惩罚因子,ω为权值参数,采用梯度下降法进行求解;所述训练过程具体为:获取α的不同取值;在每一个α的取值情况下,采用交叉验证的策略,即得到多个评价指标值MSE,获取MSE的平均值作为当前α的值对应的MSE值;对比α所有取值情况下的MSE,选择最小的MSE对应的α值,并采用第一训练样本集作为训练样本,训练预测模型得...
【专利技术属性】
技术研发人员:王文鹤,王得利,都棋峰,何庆军,
申请(专利权)人:深圳个人数据管理服务有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。