CN105893344A - 基于用户语义情感分析的应答方法和装置 - Google Patents

Abstract

本申请公开了基于用户语义情感分析的应答方法。方法的一具体实施方式包括：获取用户的输入信息的文本信息；基于预定分词方法对文本信息进行分词，提取至少一个关键词与修饰各关键词的多个情感特征词以及修饰各情感特征词的副词；根据预先建立的褒义词词典、贬义词词典以及否定副词词典分析各个情感特征词的情感倾向度量值，再根据各个情感特征词的情感倾向度量值分析文本信息的语义情感分类；根据文本信息的语义情感分类以及至少一个关键词从预先存储的语句集合中选取语句对输入信息进行应答。在从逻辑层面来回答用户的问题的同时，兼顾了用户的情感，提高了用户的满意度。

Description

基于用户语义情感分析的应答方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及基于用户语义情感分析的应答方法和装置。

背景技术

为了降低互联网电商的运营成本，采用人工智能客服系统替代人工客服成为一个必然趋势。人工智能客服系统是在大规模知识处理、自然语言理解、知识管理、自动应答、推理等技术基础之上发展起来的一种人机交互系统。

目前智能客服目前普遍采用各种方法提取出用户输入信息的关键词，然后根据关键词分析用户的意图并进行回答。

上面这种分析用户的意图并进行回答的方法只关注用户问题中与具体业务相关的业务关键词，从逻辑层面回答用户的问题。但是却忽略了用户输入信息中的反映用户情感的词语。从某个程度上来说就是人工智能客服系统在回答用户问题的时候过于生硬，虽然从逻辑上回答了用户的问题，却忽略了用户的情感，致使用户满意度不高。

发明内容

本申请的目的在于提出一种基于用户语义情感分析的应答方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请提供了一种基于用户语义情感分析的应答方法，所述方法包括：获取用户的输入信息的文本信息；基于预定分词方法对所述文本信息进行分词，提取至少一个关键词与修饰各所述关键词的多个情感特征词以及修饰所述情感特征词的副词，所述情感特征词包括以下至少一项：形容词、情感动词，所述副词包括否定副词；根据预先建立的褒义词词典、贬义词词典以及否定副词词典分析各所述情感特征词的情感倾向度量值，再根据各所述情感特征词的情感倾向度量值分析所述文本信息的语义情感分类，其中，所述语义情感分类包括积极情感类型、消极情感类型和中性情感类型；根据所述输入信息的语义情感分类以及所述至少一个关键词从预先存储的语句集合中选取语句对所述输入信息进行应答。

第二方面，本申请提供了一种基于用户语义情感分析的应答装置，所述装置包括：获取模块，配置用于获取用户的输入信息的文本信息；分词模块，配置用于基于预定分词方法对所述文本信息进行分词，提取至少一个关键词与修饰各所述关键词的多个情感特征词以及修饰所述情感特征词的副词，所述情感特征词包括以下至少一项：形容词、情感动词，所述副词包括否定副词；语义情感分类模块，配置用于根据预先建立的褒义词词典、贬义词词典以及否定副词词典分析各所述情感特征词的情感倾向度量值，再根据各所述情感特征词的情感倾向度量值分析所述文本信息的语义情感分类，其中，所述语义情感分类包括积极情感类型、消极情感类型和中性情感类型；应答模块，配置用于根据所述输入信息的语义情感分类以及所述至少一个关键词从预先存储的语句集合中选取语句对所述输入信息进行应答。

本申请提供的基于用户语义情感分析的应答方法和装置，通过获取用户的输入信息的文本信息，然后基于预定分词方法对所述文本信息进行分词，提取至少一个关键词与修饰各所述关键词的多个情感特征词以及修饰所述情感特征词的副词；接着根据预先建立的褒义词词典、贬义词词典以及否定副词词典分析各所述情感特征词的情感倾向度量值，再根据各所述情感特征词的情感倾向度量值分析所述文本信息的语义情感分类；最后根据所述文本信息的语义情感分类以及所述至少一个关键词从预先存储的语句集合中选取语句对所述输入信息进行应答。实现了在逻辑层面来回答用户的问题的同时，兼顾了用户的情感，提高了用户的满意度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的基于用户情感分析的应答方法的一个实施例的流程图；

图3是根据本申请的基于用户情感分析的应答装置的一个实施例的结构示意图；

图4是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的基于用户情感分析的应答方法或基于用户情感分析的应答装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104、服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以向服务器105发送信息，并接收服务器105返回的应答信息等。终端设备101、102、103上可以安装有各种软件，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持各种软件的各种电子设备，包括但不限于平板电脑、膝上型便携计算机和智能手机等等。

服务器105可以是提供各种服务的服务器，例如通过网络104接收到来自终端设备101、102、103上的用户输入信息，对用户输入信息进行分析，并由分析结果选择相应的应答语句反馈给用户终端。

需要说明的是，本申请实施例所提供的基于用户情感分析的应答方法一般由服务器105执行，相应地，基于用户情感分析的应答装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的基于语义情感分析的应答方法的一个实施例的流程200。基于语义情感分析的应答方法，包括以下步骤：

步骤201，获取用户的输入信息的文本信息。

在本实施例中，基于语义情感分析的应答方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从用户终端(如图1所示的终端设备101、102、103)接收用户的输入信息。

在本实施例中，用户在终端设备上安装的各种软件平台中输入信息，软件平台例如可以是购物类应用软件，通过网络(例如图1所示的104)将输入信息发送给基于语义情感分析的应答方法运行于其上的电子设备(例如图1所示的服务器105)。例如，用户可以在购物类应用软件上输入对通过该应用软件购买的某件物品的问题的投诉或者对该物品的特性的评论。

上述用户的输入信息可以包括文本信息和/或语音信息。在本实施例中，用户输入的文本信息可以是一段文字信息。用户输入的语音信息可以是使用任意音频采集器采集得到的语音信息一段语音、一句话或几个词。

上述电子设备将接收到的文本信息和/或语音信息转换为文本信息。当用户输入的是文本信息时，电子设备直接将用户输入的文本信息作为文本信息。当用户输入的是语音信息时，电子设备可以采用语音识别的方法将语音信息转换为文本信息。语音识别是目前广泛研究和应用的公知技术，此处不赘述。

步骤202，基于预定分词方法对文本信息进行分词，提取至少一个关键词与修饰各关键词的多个情感特征词以及修饰各情感特征词的副词。

在本实施例中，基于步骤201中得到的文本信息，上述电子设备(例如图1所示的服务器105)可以采用多种方法对文本信息进行分析，以对文本信息首先标记出至少一个关键词。在本实施例中，任意一个关键词可以为一个名词，也可以为一个行为。

在本实施例的一些可选实现方式中，可以采用基于词典的分词方法或基于统计的分词方法或基于语义的分词方法，或者上述各分词方法中的任意组合来对文本信息进行分词。值得指出的是，上述各分词方法是中文分词方法中广泛研究和应用的公知技术，此处不赘述。

在标记出关键词后，再根据文本信息的文本结构及语义分析确定修饰各个关键词的情感特征词以及修饰各个情感特征词的副词。在本实施例中，修饰每一个关键词的情感特征词可以有多个。修饰每一个情感特征词的副词可以为否定副词及程度副词等。情感特征词与修饰该情感特征词的否定副词不可分割，也就是说在提取任意一个情感特征词时，都要在语义结构上检查是否有修饰该情感特征词否定副词。例如“这件衣服大小很合适，但是价格不低”，分词结果为这、件、衣服、大小、很、合适，但是、价格、不、低。其中关键词为衣服、大小、和价格。修饰“大小”的情感特征词是“合适”，修饰“合适”的程度副词“很”；修饰“价格”的情感特征词为“低”以及修饰“低”的否定副词“不”。

在本实施例中，可以将修饰任意一个关键词的各个形容词与一个情感词词典进行对比，来判断修饰该关键词的各个形容词是否是情感特征词。也就是说，当任意一个修饰该关键词的形容词可以在情感词词典中查到时，将该形容词记为情感特征词。在本实施例中，情感词词典例如可以为预先构建的情感词典，也可以为网络上可以检索到的任一情感词词典。

步骤203，根据预先建立的褒义词词典、贬义词词典以及否定副词词典分析各所述情感特征词的情感倾向度量值，再根据各所述情感特征词的情感倾向度量值分析所述文本信息的语义情感分类。

在本实施例的一些可选实现方式中，可以根据网络上检索到的情感词词典中的褒义词语中选择褒义倾向明显且没有歧义的词语作为褒义基准词建立褒义词词典；根据网络上检索到的情感词词典中选择贬义倾向明显且没有歧义的词语作为贬义基准词建立贬义词词典。褒义基准词语是例如可以是“美丽”、“健康”、“优秀”、等等。贬义基准词语具有明显的负面感情色彩的词语：“错误”、“虚假”、“失败”、“不合格”等等。

在本实施例中，否定副词词典可以包括：“不”、“没”、“没有”、“无”、“毫无”等表示否定意义的副词。

在本实施例中，当一个情感特征词属于褒义词词典时，可以将该情感特征词的情感极性记为“+1”；当一个情感特征词属于贬义词词典时，其表示的情感极性记为“-1”。若情感特征词由否定副词修饰时，则该情感特征词所表示情感极性翻转。在本实施例中，可以将请安特征词的情感极性作为情感特征词的情感倾向度量值，然后将修饰各个关键词的所有情感特征词的情感极性累加，得到文本信息的情感极性，并将其作为文本信息的情感倾向度量值。若文本信息的情感极性为正，则文本信息的语义情感分类为积极情感类型；若文本信息的情感极性为负，则文本信息的语义情感类型为语义情感分类为消极情感类型；若文本信息的情感极性为零，则文本信息的语义情感分类为中性情感类型。

在本实施例的一些可选实现方式中，可以计算出任意一个情感特征词与褒义词词典中的各个褒义基准词的相似度，然后对各个相似度取均值，并将其作为第一均值。同时可以计算出该情感特征词与贬义词词典中的各个贬义基准词的相似度，然后对各个相似度取均值，并将其作为第二均值。然后取第一均值与第二均值之差，并结合修饰该情感特征词的否定副词得到该情感特征词的情感倾向度量值。具体而言，若第一均值与第二均值之差为正值，如果该情感特征词由否定副词修饰时，则将第一均值与第二均值之差与“-1”相乘之积作为该情感特征词与否定副词结合所表达的情感倾向度量值。当该情感特征词没有否定副词修饰时，则第一均值与第二均值之差即为该情感特征词表达的情感倾向度量值。可以根据如下公式(1)、(2)、(3)来计算情感特征词的情感倾向度量值：

其中，

$sim(W,K_i)=\frac{a}{a+dist(W,K_i)}---\left(2\right);$

$sim(W,N_j)=\frac{a}{a+dist(W,N_j)}---\left(3\right);$

式(1)、(2)、(3)中，W为修饰任意一个关键词的任意一个情感特征词；K_i为褒义词词典中的第i个褒义基准词；N_j为贬义词词典中的第j个贬义基准词；a>0，且可调节；i，j均为自然数；n为褒义词词典中的基准词的数量；m为贬义词词典中的基准词的数量；sim为词语相似度计算符；sim(W,K_i)为情感特征词W与褒义词词典中的任意一个褒义基准词K_i的相似度；sim(W,N_j)情感特征词W与贬义词词典中的任意一个贬义基准词的相似度；dist(W,K_j)为情感特征词W与褒义词词典中的第j个褒义基准词的距离，dist(W,N_j)为情感特征词W与贬义词词典中的任意一个基准词的距离；I(W)为任意一个情感特征词的情感倾向度量值，β为“+1”或“-1”。

接着累加各个情感特征词的情感倾向度量值，得到文本信息的情感倾向度量值。具体的计算公式如下所示：

$I\left(S\right)=\underset{t=1}{\overset{l}{\Σ}}I\left(W_t\right)---\left(4\right);$

其中，t为自然数；S为文本信息，l为文本信息中的情感特征值的数量；W_t为第t个情感特征词；I(W_t)为第t个情感特征词的情感倾向度量值；I(S)为文本信息的情感倾向度量值。

然后根据文本信息的情感倾向度量值判断文本信息的语义情感分类。当文本信息的情感倾向度量值为正值时，该文本信息的语义情感分类为积极情感类型。当文本信息的情感倾向度量值为负值时，该文本信息的语义情感分类为消极情感类型。当文本信息的情感倾向度量值零时，该文本信息的语义情感分类为中性情感类型。

步骤204，根据文本信息的语义情感分类以及至少一个关键词从预先存储的语句集合中选取语句对输入信息进行应答。

在本实施例中，在上述电子设备中预先存储了多个应答语句。电子设备根据文本信息的语义情感类型，在预先存储的多个应答语句中选择语句进行应答。

在本实施例的一些可选实现方式中，在电子设备中预先存储了积极情感类型的应答语句集合，消极情感类型应答语句集合以及中性情感类型应答语句集合。也就是说，根据预设的用户的语义情感类型，预先存储了积极情感类型的应答语句集合、消极情感类型的应答语句集合及和中性情感类型的应答语句集合。

预先存储的积极情感类型的应答语句集合中的应答语句包括常用礼貌用语以及向用户推荐其他的服务或者其他用品的语句。其中常用礼貌用语例如可以为：“亲满意，我就太开心了！”等等。

消极情感类型的应答语句集合中的应答语句包括常用的安抚用语。其中常用的安抚用语例如可以为：“亲爱的，让您不满意，XX感到非常抱歉，......”，“非常抱歉，XX将竭诚为您解决，关于....”等等。

中性情感类型的应答语句可以为礼貌语句，例如“为您服务，JIMI非常乐意！”等等。

当用户的语义情感类型为积极情感类型时，表示用户对其之前接受的服务或者接收的用品的认可。从上述预先存储的积极情感类型的应答语句集合中选择语句以及预先存储的与至少一个关键词相关的应答语句组合成应答语句对输入信息进行应答。也就是将上述应答语句通过网络发送给用户终端。

当用户的语义情感类型为消极情感类型时，表示用户对其之前接受的服务或者接收的用品的不满，需要对用户的不满情绪进行安抚。从上述预先存储的消极情感类型的应答语句集合中选择语句以及预先存储的与至少一个关键词相关的应答语句组合成应答语句对输入信息进行应答。当同一用户的语义情感分类连续三次判定为消极情感类型时，为了避免用户的不满情绪进一步恶化，对该用户的应答自动转为人工服务。

当用户的语义情感类型为中性情感类型时，表示用户对其之前接受的服务或者接收的用品的没有满意或不满意的倾向性。从上述预先存储的中性情感类型的应答语句集合中选择语句以及预先存储的与至少一个关键词相关的应答语句组合成应答语句对输入信息进行应答。

本实施例提供的基于用户情感分析的应答方法和装置，通过根据对获取到的用户的输入信息的文本信息进行分词，得到至少一个关键词及与修饰各关键词关联多个情感特征词以及修饰各情感特征词的副词。通过分析各个情感特征词的情感倾向度量值，进而得到文本信息的情感倾向度量值进而得到文本信息的情感倾向度量值，然后根据文本信息的情感倾向度量值判定文本信息的情感分类，最后根据判断得到的文本信息的情感分类从预先存储的应答语句中选取相应语句结合逻辑回答进行应答。这个方法在保证在逻辑层面上回答用户的问题的基础上，兼顾了用户的情感，从而提高了用户的满意度。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于用户语义情感分析的应答装置的一个实施例，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例的基于用户语义情感分析的应答装置300包括：获取模块301、分词模块302、语义情感分类模块303以及应答模块304。其中，接收模块301配置用于获取用户的输入信息的文本信息，输入信息包括文本信息和/或语音信息。分词模块302配置用于基于预定分词方法对文本信息进行分词，提取至少一个关键词与修饰各关键词的多个情感特征词以及修饰情感特征词的副词，情感特征词包括以下至少一项：形容词、情感动词，副词包括否定副词。语义情感分类模块303，配置用于根据预先建立的褒义词词典、贬义词词典以及否定副词词典分析各所述情感特征词的情感倾向度量值，再根据各所述情感特征词的情感倾向度量值分析所述文本信息的语义情感分类，其中，所述语义情感分类包括积极情感类型、消极情感类型和中性情感类型。应答模块304，配置用于根据输入信息的语义情感分类以及至少一个关键词从预先存储的语句集合中选取语句对输入信息进行应答。

在本实施例中，基于用户语义情感分析的应答装置300的获取模块可以通过有线连接方式或者无线连接方式从用户利用其进行软件或应用操作的终端接收用户输入的信息。用户输入的信息包括文本信息和/或语音信息。当用户输入的信息为语音信息是可以通过语音信号处理的方法将语音信息转换为文本信息。

在本实施例中，基于获取模块301得到的文本信息，上述分词模块302可以根据各种分析方法对上述文本信息进行分析，首先得到各个关键词，然后再根据文本结构和语义分析得到修饰每个关键词的多个情感特征词以及修饰每个情感特征词的副词。

在本实施例的一些可选实现方式中，褒义词词典包括褒义基准词语，负面情感词词典包括贬义基准词语。

在本实施例的一些可选实现方式中，语义情感分类模块进一步包括情感特征词情感倾向度量值计算单元以及语义情感分类单元。情感特征词情感倾向度量值计算单元，配置用于对多个情感特征词之中的每一个情感特征词计算其与褒义词词典中的各个褒义基准词语的相似度的均值作为第一均值，并计算其与贬义词词典中的每个贬义基准词语的相似度的均值作为第二均值。取第一均值与第二均值之差，结合修饰该情感特征词的否定副词得到该情感特征词的情感倾向度量值。具体的可以根据如下的公式(1)、(2)、(3)来计算情感特征词的情感倾向度量值：

其中，

$sim(W,K_i)=\frac{a}{a+dist(W,K_i)}---\left(2\right);$

$sim(W,N_j)=\frac{a}{a+dist(W,N_j)}---\left(3\right);$

式(1)、(2)、(3)中，W为修饰任意一个关键词的任意一个情感特征词；K_i为褒义词词典中的任意一个褒义基准词；N_j为贬义词词典中的任意一个贬义基准词；a>0，且可调节；i，j均为自然数；n为褒义词词典中的基准词的数量；m为贬义词词典中的基准词的数量；sim为词语相似度计算符；sim(W,K_i)为情感特征词W与褒义词词典中的任意一个褒义基准词K_i的相似度；sim(W,N_j)为情感特征词W与贬义词词典中的任意一个贬义基准词的相似度；dist(W,K_j)为情感特征词W与褒义词词典中的任意一个褒义基准词的距离，dist(W,N_j)为情感特征词W与贬义词词典中的任意一个基准词的距离；I(W)为任意一个情感特征词的情感倾向度量值，β为“+1”或“-1”。

语义情感分类单元，配置用于累加各情感特征词的情感倾向度量值得到文本信息的情感倾向度量值。再根据文本信息的情感倾向度量值判断文本信息的语义情感分类。

在本实施例的一些可选实现方式中，预定分词方法包括以下至少一项：基于词典的分词方法、基于统计的分词方法及基于语义的分词方法。

在本实施例的一些可选实现方式中，预先存储的语句包括：积极情感类型的应答语句集合，消极情感类型的应答语句集合以及中性情感类型的应答语句集合。应答模块进一步配置用于：对积极的情感类型，从积极情感类型的应答语句集合选择语句进行应答。对消极的情感类型，从消极情感类型的应答语句集合选择语句进行应答。对中性的情感，从中性情感类型的应答语句集合选择语句进行应答。

下面参考图4，其示出了适于用来实现本申请实施例的服务器的计算机系统400的结构示意图。

如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、分词模块、语义情感分类模块以及应答模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取用户输入信息的文本信息的模块”。

作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：获取用户的输入信息的文本信息；基于预定分词方法对所述文本信息进行分词，提取至少一个关键词与修饰各所述关键词的多个情感特征词以及修饰各所述情感特征词的副词，所述情感特征词包括以下至少一项：形容词、情感动词，所述副词包括否定副词；根据预先建立的褒义词词典、贬义词词典以及否定副词词典分析各所述情感特征词的情感倾向度量值，再根据各所述情感特征词的情感倾向度量值分析所述文本信息的语义情感分类，其中，所述语义情感分类包括积极情感类型、消极情感类型和中性情感类型；根据所述输入信息的语义情感分类以及所述至少一个关键词从预先存储的语句集合中选取语句对所述输入信息进行应答。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种基于用户语义情感分析的应答方法，其特征在于，所述方法包括：

获取用户的输入信息的文本信息；

基于预定分词方法对所述文本信息进行分词，提取至少一个关键词与修饰各所述关键词的多个情感特征词以及修饰各所述情感特征词的副词，所述情感特征词包括以下至少一项：形容词、情感动词，所述副词包括否定副词；

根据预先建立的褒义词词典、贬义词词典以及否定副词词典分析各所述情感特征词的情感倾向度量值，再根据各所述情感特征词的情感倾向度量值分析所述文本信息的语义情感分类，其中，所述语义情感分类包括积极情感类型、消极情感类型和中性情感类型；

根据所述文本信息的语义情感分类以及所述至少一个关键词从预先存储的语句集合中选取语句对所述输入信息进行应答。

2.根据权利要求1所述的方法，其特征在于，所述褒义词词典包括褒义基准词语，所述负面情感词词典包括贬义基准词语。

3.根据权利要求2所述的方法，其特征在于，所述根据预先建立的褒义词词典、贬义词词典以及否定副词词典分析各所述情感特征词的情感倾向度量值，包括：

对所述多个情感特征词之中的每一个情感特征词计算其与所述褒义词词典中的每个褒义基准词语的相似度的均值作为第一均值，并计算其与所述贬义词词典中的每个贬义基准词语的相似度的均值作为第二均值；

取所述第一均值与所述第二均值之差，结合修饰该情感特征词的所述否定副词得到该情感特征词的情感倾向度量值；

所述根据各所述情感特征词的情感倾向度量值分析所述文本信息的语义情感分类包括累加各所述情感特征词的情感倾向度量值得到文本信息的情感倾向度量值，根据所述文本信息的情感倾向度量值分析文本信息的语义情感分类。

4.根据权利要求1所述的方法，其特征在于，所述预定分词方法包括以下至少一项：基于词典的分词方法、基于统计的分词方法及基于语义的分词方法。

5.根据权利要求1所述的方法，其特征在于，所述预先存储的语句集合包括：积极情感类型的应答语句集合，消极情感类型的应答语句集合以及中性情感类型的应答语句集合；以及

所述根据所述文本信息的语义情感分类以及所述至少一个关键词从预先存储的语句中选取语句对所述输入信息进行应答，包括：

对所述积极的情感类型，从所述积极情感类型的应答语句集合选择语句对所述输入信息进行应答；

对所述消极的情感类型，从所述消极情感类型的应答语句集合选择语句对所述输入信息进行应答；

对所述中性的情感类型，从所述中性情感类型的应答语句集合选择语句对所述输入信息进行应答。

6.一种基于用户语义情感分析的应答装置，其特征在于，所述装置包括：

获取模块，配置用于获取用户的输入信息的文本信息；

分词模块，配置用于基于预定分词方法对所述文本信息进行分词，提取至少一个关键词与修饰各所述关键词的多个情感特征词以及修饰各所述情感特征词的副词，所述情感特征词包括以下至少一项：形容词、情感动词，所述副词包括否定副词；

语义情感分类模块，配置用于根据预先建立的褒义词词典、贬义词词典以及否定副词词典分析各所述情感特征词的情感倾向度量值，再根据各所述情感特征词的情感倾向度量值分析所述文本信息的语义情感分类，其中，所述语义情感分类包括积极情感类型、消极情感类型和中性情感类型；

应答模块，配置用于根据所述输入信息的语义情感分类以及所述至少一个关键词从预先存储的语句集合中选取语句对所述输入信息进行应答。

7.根据权利要求6所述的装置，其特征在于，所述褒义词词典包括褒义基准词语，所述负面情感词词典包括贬义基准词语。

8.根据权利要求7所述的装置，其特征在于，所述语义情感分类模块进一步包括情感特征词情感倾向度量值计算单元以及语义情感分类单元；

所述情感特征词情感倾向度量值计算单元，配置用于对所述多个情感特征词之中的每一个情感特征词计算其与所述褒义词词典中的每个褒义基准词语的相似度的均值作为第一均值，并计算其与所述贬义词词典中的每个贬义基准词语的相似度的均值作为第二均值；取所述第一均值与所述第二均值之差，结合修饰该情感特征词的所述否定副词得到该情感特征词的情感倾向度量值；

所述语义情感分类单元，配置用于累加各所述情感特征词的情感倾向度量值得到文本信息的情感倾向度量值；再根据所述文本信息的情感倾向度量值判断所述文本信息的语义情感分类。

9.根据权利要求7所述的装置，其特征在于，所述预定分词方法包括以下至少一项：基于词典的分词方法、基于统计的分词方法及基于语义的分词方法。

10.根据权利要求7所述的基于用户语义情感分析的应答装置，其特征在于，所述预先存储的语句包括：积极情感类型的应答语句集合，消极情感类型的应答语句集合以及中性情感类型的应答语句集合；以及

所述应答模块进一步配置用于：对所述积极的情感类型，从所述积极情感类型的应答语句集合选择语句进行应答；

对所述消极的情感类型，从所述消极情感类型的应答语句集合选择语句进行应答；

对所述中性的情感，从所述中性情感类型的应答语句集合选择语句进行应答。