情感识别模型及其训练方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术公开了一种情感识别模型及其训练方法、装置、设备及可读存储介质，属于情感识别领域，用于对情感识别模型进行训练。本申请可以通过预设聚类算法对情感特征数据进行聚类得到聚类中心，并结合映射到聚类中心空间的情感特征数据计算得到聚类损失，随后将聚类损失与情感学习损失进行系数加权得到联合损失并根据联合损失对情感分类模型进行参数更新，以便完成训练，由于聚类算法作为经典的无监督的学习方式，能够在不需要数据标签的情况下学习原始数据中潜在的特征表达并挖掘数据的本质特征，这种表达不带有主观的判别倾向，因此有利于提高情感分类的准确性。利于提高情感分类的准确性。利于提高情感分类的准确性。

【技术实现步骤摘要】
情感识别模型及其训练方法、装置、设备及可读存储介质


[0001]本专利技术涉及情感识别领域，特别是涉及一种情感识别模型的训练方法，本专利技术还涉及一种情感识别模型及其训练装置、设备及计算机可读存储介质。

技术介绍

[0002]情感识别是现下可应用于医疗保健，自动驾驶，情绪安抚，机器人等众多领域中的热门应用，由于人机交互方式的丰富，现在情感识别应用中的数据来源也呈现出多样化的趋势，情感识别可以从文本、音频、视频以及脑电等类型的数据源中识别出用户的情绪（例如开心或者伤心等）。
[0003]领域内已经出现多种情感识别模型，但是这些模型在训练过程中，一般都是将模型预测的输出和原始数据实际的标签进行情感学习损失函数的度量，这种度量方式虽然直接有效，但是也存在为了判别而判别的风险，即模型的目标只是为了分类，而错误的标签也会参与模型的训练过程，从而导致训练出的情感识别模型进行情感识别的准确性较差。
[0004]因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。

技术实现思路

[0005]本专利技术的目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种情感识别模型的训练方法，其特征在于，包括：从原始的情感识别数据集中提取出情感特征数据；根据所述情感特征数据以及所述情感识别数据集中各数据的预设情感标签，计算情感学习损失；通过预设聚类算法对所述情感特征数据进行聚类得到聚类中心；根据映射到聚类中心空间的所述情感特征数据以及所述聚类中心计算聚类损失；根据由所述情感学习损失以及所述聚类损失进行系数加权得到的联合损失对情感分类模型进行参数更新。2.根据权利要求1所述的情感识别模型的训练方法，其特征在于，所述根据由所述情感学习损失以及所述聚类损失构建的联合损失对情感分类模型进行参数更新之后，该情感识别模型的训练方法还包括：判断所述情感分类模型是否满足预设的模型收敛条件；若是，则结束训练；若否，则将所述情感识别数据集打乱顺序并执行所述从原始的情感识别数据集中提取出情感特征数据的步骤。3.根据权利要求2所述的情感识别模型的训练方法，其特征在于，所述预设的模型收敛条件具体为迭代次数是否达到预设迭代次数。4.根据权利要求2所述的情感识别模型的训练方法，其特征在于，所述从原始的情感识别数据集中提取出情感特征数据具体为：对原始的情感识别数据集进行预处理；从经过预处理后的所述情感识别数据集中提取出情感特征数据。5.根据权利要求4所述的情感识别模型的训练方法，其特征在于，所述预处理包括去噪、去除异常样本以及归一化中的至少一者。6.根据权利要求4所述的情感识别模型的训练方法，其特征在于，所述根据映射到聚类中心空间的所述情感特征数据以及所述聚类中心计算聚类损失具体为：；其中，为聚类损失，为k个维度为d的映射到聚类中心空间的所述情感特征数据，为由k个维度为d的聚类中心向量拼成的二维矩阵。7.根据权利要求1所述的情感识别模型的训练方法，其特征在于，当所述情感识别数据集中各数据的标签为离散型，所述根据所述情感特征数据以及所述情感识别数据集中各数据的预设情感标签，计算情感学习损失具体为：基于所述情感特征数据，使用情感分类头部网络得到包含所述情感识别数据集中各数据的预测概率值的概率向量；根据所述概率向量以及所述情感识别数据集中各数据的预设情感标签，计算情感分类
损失。8.根据权利要求1所述的情感识别模型的训练方法，其特征在于，当所述情感识别数据集中各数据的标签为连续的浮点值，所述根据所述情感特征...

【专利技术属性】
技术研发人员：王斌强，董刚，赵雅倩，李仁刚，
申请(专利权)人：山东海量信息技术研究院，
类型：发明
国别省市：