一种情绪分析方法、情绪提醒方法及情绪提醒控制装置制造方法及图纸

本发明专利技术提供一种情绪分析方法、情绪提醒方法及情绪提醒控制装置，方法包括：采集语音信息并转化成文本，基于双层长短期记忆人工神经网络进行文本表征与辅助信息引入；利用辅助信息得到文本中的含有情感的词作为分析对象；分析对象中多个词之间建立情感依赖；筛选出最终目标分析对象；捕获最终目标分析对和文本中上下文之间的关系；获取外部语料库，从外部语料库筛选出与最终目标分析对象相关性高于预设相似度的句；得到最终目标分析对象的情感对；基于情感对进行情绪分析。可以有效了解到文本中涉及到的详细方面的情感倾向性，为后续分析与决策提供一定的辅助信息。

【技术实现步骤摘要】
一种情绪分析方法、情绪提醒方法及情绪提醒控制装置
本专利技术涉及情绪调控智能设备
，尤其涉及一种情绪分析方法、情绪提醒方法及情绪提醒控制装置。
技术介绍
随着现在生活压力变大，人们的情绪容易出现波动，尤其是随着现代家长对孩子升学教育越来越重视，家长辅导孩子作业时，面对孩子的学习问题，常常心情焦虑乃至生气发火，情绪难以控制。不仅影响亲子关系，也不利于孩子身心健康发展。现有技术中对用户的情感分析主要是粗粒度的情感分析，以整篇文档或整个句子为一个单一情感倾向的基本信息单元，无法有效的处理信息单元中涉及到的多个不同情感倾向的目标，从而不能精准地挖掘出文本中针对具体目标的情感倾向。进一步地，现有技术通常仅研究方面级情感分析任务中检测意见目标和预测目标情感这两个子任务之一，将两个子任务结合研究的典型方法是将它们pipeline在一起。但由于它们之间具有很强的耦合性，所以集成度更高的模型通常比pipeline更有效。现有技术如CNN可以有效提取空间特征。但是CNN处理的图像等数据呈现欧式结构。面对非欧式结构的数据，如在社交和信息网络中有本文档来自技高网...

【技术保护点】
1.一种情绪分析方法，其特征在于，包括如下步骤：/nS1：采集语音信息并转化成文本，基于双层长短期记忆人工神经网络进行文本表征与辅助信息引入；/nS2：利用所述辅助信息得到所述文本中的含有情感的词作为分析对象；/nS3：所述分析对象中多个词之间建立情感依赖；/nS4：判断提取的分析对象是否具有高于预设阈值的情感值，筛选出最终目标分析对象；/nS5：捕获所述最终目标分析对和所述文本中上下文之间的关系；/nS6：获取外部语料库，所述外部语料库提供包含所述最终目标分析对象的文本，从所述外部语料库筛选出与所述最终目标分析对象相关性高于预设相似度的句；异质图卷积去获取所述句的上下文与所述最终目标分析对象...

【技术特征摘要】
1.一种情绪分析方法，其特征在于，包括如下步骤：
S1：采集语音信息并转化成文本，基于双层长短期记忆人工神经网络进行文本表征与辅助信息引入；
S2：利用所述辅助信息得到所述文本中的含有情感的词作为分析对象；
S3：所述分析对象中多个词之间建立情感依赖；
S4：判断提取的分析对象是否具有高于预设阈值的情感值，筛选出最终目标分析对象；
S5：捕获所述最终目标分析对和所述文本中上下文之间的关系；
S6：获取外部语料库，所述外部语料库提供包含所述最终目标分析对象的文本，从所述外部语料库筛选出与所述最终目标分析对象相关性高于预设相似度的句；异质图卷积去获取所述句的上下文与所述最终目标分析对象的语义关系，构建链接，把所述外部语料库的语义信息增强到所述最终目标分析对象，得到最终目标分析对象的情感对；
S7：基于情感对进行情绪分析。


2.如权利要求1所述的情绪分析方法，其特征在于，所述双层长短期记忆人工神经网络的上层用于预测统一的标签，得到目标情感，下层用于执行辅助目标的边界预测，得到目标边界；
对于所述文本X＝{x1，...，xT}采用情感对进行统一标记，目标是预测标签序列其中YS＝{B-POS，I-POS，E-POS，S-POS，B-NEG，I-NEG，E-NEG，S-NEG，B-NEU，I-NEU，E-NEU，S-NEU，O}；其中，B表示目标分析对象的起始词语，I表示目标分析对象的中间词语，E表示目标分析对象的末尾词语，S表示单个词语表示的目标分析对象，POS表示目标分析对象含有积极情感，NEG表示目标分析对象含有消极情感；
除O之外，每个标签都包含标签信息的两个部分：目标边界标签和目标情感标签。


3.如权利要求2所述的情绪分析方法，其特征在于，利用所述辅助信息得到所述文本中的含有情感的词作为分析对象包括：
低层长短期记忆人工神经网络生成的隐含表示作为高层长短期记忆人工神经网络表示的指导信息，其中t为输入文本序列中的每个单词：






所述目标边界标签和所述目标情感标签的概率分数如下，基于LSTM的表示分别进行对应标签y的概率计算：






其中，W为权重矩阵，为低层长短期记忆人工神经网络生成的隐含表示，为高层长短期记忆人工神经网络表示，softmax为求取概率的函数，为目标边界标签，为目标情感标签，为由初始输入xt预测目标边界标签的概率，为由低层长短期记忆人工神经网络生成的隐含表示预测目标情感标签的概率；
映射矩阵B为目标边界标签映射到目标情感标签形成的矩阵，若目标边界标签可以映射到目标情感标签，则矩阵B的对应元素为1，否则为0；经映射矩阵B得到概率转移矩阵Wtr，若存在映射关系，则概率转移矩阵的值为映射矩阵B中对应元素，否则取0；最终通过概率转移矩阵Wtr将所述目标边界标签的概率分数映射到所述目标情感标签的空间：






经概率转移的所述目标情感标签分数的比例由目标边界的分布确定：



at＝∈ct
其中，ct为根据目标边界分布计算得到的目标情感标签在最终预测结果中的比例，∈为目标情感标签的权重参数，at为计算得到的目标情感标签比例；
最终借由权重at将其与上层长短期记忆人工神经网络的概率分数合并生成所述文本中的含有情感的词作为分析对象：



其中，为上层长短期记忆人工神经网络的概率分数，为目标情感标签概率分数，at为目标情感标签比例，为最终目标情感标签的概率分数。


4.如权利要求3所述的情绪分析方法，其特征在于，所述分析对象中多个词之间建立情感依赖包括如下步骤：
使用门机制gt结合当前和长短期记忆人工神经网络中前一个时间单元的结果的特征预测当前统一标签避免同一目标中多个词出现不同的情感，所述分析对象中多个词之间建立情感依赖：






其中，Wg是权重项，bg是偏置项，和是长短期记忆人工神经网络中每一步的特征项，gt是计算得到的门机制，控制历史信息和当前信息的权重占比，是一个权重参数，是对历史信...

【专利技术属性】
技术研发人员：白星宇，吴垠，罗雅兰，曾龙，孙嘉齐，蒋子函，刘若禺，洪浩丰，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：广东;44