【技术实现步骤摘要】
一种情绪识别方法、存储介质、装置及终端设备
[0001]本专利技术涉及人工智能,特别涉及一种情绪识别方法、存储介质及终端设备。
技术介绍
[0002]随着深度学习的不断发展,基于深度学习实现的人机对话在多个领域实现了普遍应用,例如现在很多手机语音助手、医疗助理,他们能够实现初步的语言交互或问答,并取得了较好的效果,为用户提供更加快捷和贴心的服务。目前主流的人机交互是采用通常采用卷积神经网络(Convolutional Neural Networks,CN)、循环神经网络(Recurrent Neural Network,RNN)以及它们的变体,长短期记忆(Long Short-Term Memory,LSTM)、门控循环单元(Gated Recurrent Unit,GRU)等,传统端到端深度神经网络模型识别语句,然后对其进行情绪和意图的识别,并作出相应的应答。
[0003]然而,目前的人机对话仍然处于识别非常粗糙的阶段,虽然能够进行简单的意图识别和情感识别。如某句话为“我实在太喜欢这首歌了”,模型根据关键词“喜欢”即可判断这句话的情感是喜欢。但是对于复杂的,甚至需要结合上下对话才可判断的情感,目前的模型仍然无法很好地识别。而对话中的情绪识别之所以困难,主要原因是大多数情况下,对话是动态的,是基于对话者之间的语言的来往实现的。因此,对话者由于其自身的性格、思维逻辑以及对话者之间的相互关系的影响,有时会采用特别的话术,如讽刺、欲扬先抑、正话反说。此外,在对话过程中,语言会对对话者的内心产生一定的情绪波动,从而导 ...
【技术保护点】
【技术特征摘要】
1.一种情绪识别方法,其特征在于,所述情绪识别方法包括:获取待识别的对话集,其中,所述对话集包括若干个文本子集,每一个文本子集包含若干个对话文本,且同一个文本子集下的若干个对话文本对应同一对话人标签;针对每一个所述文本子集,根据该文本子集中的各个对话文本,确定该文本子集对应的心理特征;根据所述对话集中各个文本子集对应的心理特征,对所述对话集中的各个对话文本进行情绪识别,得到各个所述对话文本对应的情绪特征。2.根据权利要求1所述的情绪识别方法,其特征在于,所述针对每一个所述文本子集,根据该文本子集中的各个对话文本,确定该文本子集对应的心理特征,具体包括:针对每一个所述文本子集中的对话文本,对该对话文本进行向量化,得到该文本子集对应的文本向量子集;针对每一个文本向量子集,将该文本向量子集输入已训练的心理特征提取模型中,得到该文本向量子集对应的心理特征。3.根据权利要求2所述的情绪识别方法,其特征在于,所述针对每一个所述文本子集中的对话文本,对该对话文本进行向量化,得到该文本子集对应的文本向量子集,具体包括:针对每一个所述文本子集中的对话文本,将该对话文本分词,生成包含多个字符串的分词序列;对所述分词序列中的各个字符串进行向量化,生成字符串向量;根据所述字符串向量在所述分词序列中对应的顺序,对所述字符串向量进行排序,生成该对话文本对应的文本向量;根据各个所述对话文本对应的对话人标签,对所述文本向量进行分组,生成与各个所述文本子集对应的文本向量子集。4.根据权利要求2所述的情绪识别方法,其特征在于,所述心理特征提取模型的训练过程具体包括:获取训练文本向量集,其中,所述训练文本向量集包含多个训练文本向量子集,所述训练文本向量子集包含对应同一人物标签的多个训练文本向量;针对每一个训练文本向量子集,将该训练文本向量子集输入预设的自编码模型,得到该训练文本向量子集对应的第一预测结果;根据所述训练文本向量子集对应的心理标注信息以及所述第一预测结果,确定所述训练文本向量集对应的第一损失值;基于所述第一损失值,对所述自编码模型进行训练,以得到所述心理特征提取模型。5.根据权利要求2所述的情绪识别方法,其特征在于,所述心理特征提取模型包括逻辑特征提取模型和性格特征提取模型;所述心理特征包括逻辑特征和性格特征;所述针对每一个所述文本子集,根据该文本子集中的各个对话文本,确定该文本子集对应的心理特征,具体包括:针对每一个文本向量子集,将该文本向量子集输入已训练的逻辑特征提取模型中,得到该文本向量子集对应的逻辑特征;以及,将该文本向量子集输入已训练的性格特征提取模型中,得到该文本向量子集对应的性格特征。
6.根据权利要求5所述的情绪识别方法,其特征在于,所述根据所述对话集中各个文本子集对应的心理特征,对所述对话集中的各个对话文本进行情绪识别,得到各个所述对话文本对应的情绪特征,具体包括:根据各个所述对话文本之间的情绪影响关系,对所述对话集中各个对话文本对应的文本向量和心理特征进行图数据化,生成与所述对话集对应的处理对话图;将所述处理对话图输入已训练的对话图卷积模型中,得到所述对话图卷积模型输出的各个文本向量对应的情绪特征;根据所述文本向量与所述对话文本的对应关系,确定各个所述对话文本对应的情绪特征。7.根据权利要求6所述的情绪识别方法,其特征在于,所述处理对话图的结构包括顶点和边;所述根据各个所述对话文本之间的情绪影响关系,对所述对话集中各个对话文本对应的文本向量和心理特征进行图数据化,生成与所述对话集对应的处理对话图,具体包括:将所述文本向量子集中,与各个对话文本对应的文本向量作为各个顶点的初始顶点特征,遍历各个顶点,并根据预设的情绪影响规则,判断当前遍历的顶点与该顶点以外的顶点之间是否存在情绪影响关系;针对每一个当前遍历的顶点,若该顶点与该顶点以外的顶点之间存在情绪影响关系,则将该顶点进行自连,并将该顶点与存在情绪影响关系的顶点进行连接,生成该顶点对应的边,直至遍历结束,生成初始对话图;将所述顶点对应的心理特征作为对应的边特征,对所述初始对话图中所述顶点的各个边进行加权,生成处理对话图。8.根据权利要求7所述的情绪识别方法,其特征在于,所述情绪影响关系包括自影响关系和旁影响关系;所述情绪影响规则包括:当两个顶点对应的文本向量对应同一对话人标签时,确定两个顶点之间存在自影响关系;当两个顶点对应的文本向量对应的对话文本之间存在语序先后关系时,确定两个顶点之间存在旁影响关系。9.根据权利要求8所述的情绪识别方法,其特征在于,所述边为有向边,从所述边的出发顶点指向结束顶点,并且所述边的边特征由所述结束顶点对应的心理特征确定。10.根据权利要求7所述的情绪识别方法,其特征在于,所述边特征为根据所述顶点对应的心理特征确定的出发顶点和结束顶点之间连接关系强弱的权重值;所述对话图卷积模型的训练过程具体包括:获取训练对话图集,其中,所述训练对话图集包括多个训练对话图,所述训练对话图包括训练顶点和训练边;针对每一个训练对话图,将该训练对话图输入预设的图卷积模型,得到该训练对话图对应的第二预测结果;根据所述训练对话图对应的情绪标注信息以及所述第二预测结果,确定所述训练对话图集对应的第二损失值;基于所述第二损失值,对所述图卷积模型进行训练,得到所述对话图卷积模型。11.根据权利要求7所述的情绪识别方法,其特征在于,所述对话图卷积模型包括图卷积层;所述将所述处理对话图输入已训练的对话图卷积模型中,得到所述对话图卷积模型
输出的各个文本向量对应的情绪特征,具体包括:将所述处理对话图输入所述图卷积层,得到所述图卷积层输出的结果对话图;基于所述结果对话图,确定各个顶点对应的情绪特征;根据所述顶点与所述文本向量的对应关系,以及所述顶点对应的情绪特征,确定所述文本向量对应的情绪特征。12.根据权利要求11所述的情绪识别方法,...
【专利技术属性】
技术研发人员:曹源,
申请(专利权)人:TCL科技集团股份有限公司,
类型:发明
国别省市:
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。