CN108509418A - 基于对话内容的用户异常情绪检测方法 - Google Patents
基于对话内容的用户异常情绪检测方法 Download PDFInfo
- Publication number
- CN108509418A CN108509418A CN201810231514.6A CN201810231514A CN108509418A CN 108509418 A CN108509418 A CN 108509418A CN 201810231514 A CN201810231514 A CN 201810231514A CN 108509418 A CN108509418 A CN 108509418A
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- emotion
- dialog
- sentence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- User Interface Of Digital Computer (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开一种基于对话内容的用户异常情绪检测方法,包括:从大量具有情感标注的对话文本中提取出语句和相应情感标签;将对话文本中用户A所说的语句看作是产品,用户B所说的话看作是对产品的评论,对话文本包含的对话过程相当于B对多个产品进行评论;利用对话文本包含的对话过程中用户A所说的语句的情感标签来进行分类,利用情感打分程序对用户B对用户A语句的回应进行情感打分,完成矩阵的构建;对构建的矩阵进行矩阵分解,得出用户个性矩阵,基于个性矩阵可以进行异常情绪检测。
Description
技术领域
本发明涉及文本处理领域,尤其涉及一种基于对话内容的用户异常情绪检测方法。
背景技术
随着计算机网络的发展,人们更倾向于利用社交媒体来表达自己的情感,单个用户通过社交媒体抒发焦虑伤心等情绪,消费者对商品(如电影负面影评) 进行负面评价,民众对热点新闻(如微博热搜事件)的抨击等等,对用户进行情绪分析可以很好的检测异常情绪,及时的发现问题。
发明内容
本发明实施例提供一种基于对话内容的用户情绪分析方法,能够基于对话内容进行用户异常情绪检测。
本发明实施例采用如下技术方案:
一种基于对话内容的用户异常情绪检测方法,包括:
从大量具有情感标注的对话文本中提取出语句和相应情感标签;
将对话文本中用户A所说的语句看作是产品,用户B所说的话看作是对产品的评论,对话文本包含的对话过程相当于B对多个产品进行评论;
利用对话文本包含的对话过程中用户A所说的语句的情感标签来进行分类,利用情感打分程序对用户B对用户A语句的回应进行情感打分,完成矩阵的构建;
对构建的矩阵进行矩阵分解,得出用户个性矩阵,基于用户个性矩阵进行用户异常情绪检测。
可选的,所述基于异常情绪检测,检测出的异常包括:
通过计算用户B与正常用户个性向量的相似度,检测出用户B是否异常。
可选的,用户个性向量为用户个性矩阵中代表每位用户个性的多维行向量,检测用户B是否异常指用户B的个性向量与正常用户的个性向量的余弦相似度值是否符合正常范围。
可选的,所述根据用户B及正常用户的个性向量的余弦相似度利用公式计算得出用户B是否异常:
如果用户B与正常用户的个性向量余弦相似度值较高,则用户B无异常情绪。
基于上述技术方案的基于对话内容的用户异常情绪检测方法,从大量具有情感标注的对话文本中提取出语句和相应情感标签;将对话文本中用户A所说的语句看作是产品,用户B所说的话看作是对产品的评论,对话文本包含的对话过程相当于B对多个产品进行评论;利用对话文本包含的对话过程中用户A 所说的语句的情感标签来进行分类,利用情感打分程序对用户B对用户A语句的回应进行情感打分,完成矩阵的构建;对构建的矩阵进行矩阵分解,得出用户个性矩阵,基于用户个性矩阵进行异常情绪检测。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明实施例提供的一种基于对话内容的用户异常情绪检测方法的流程图。
图2为本发明实施例提供的另一种基于对话内容的用户异常情绪检测方法的流程图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明实施例利用协同过滤对用户进行个性建模。将每段对话看作是一个用户,从具有情感标注的对话文本中提取出语句和相应情感标签,仿照产品推荐,构建一个包含多个用户情感的矩阵,最后进行矩阵分解操作,可以很容易地得到代表用户个性的矩阵。
如图1所示,本发明实施例提供一种基于对话内容的用户异常情绪检测方法,该方法包括:
11、从大量具有情感标注的对话文本中提取出语句和相应情感标签。
12、将对话文本中用户A所说的语句看作是产品,用户B所说的话看作是对产品的评论,对话文本包含的对话过程相当于B对多个产品进行评论。
本实施例中,A所说的语句已经打好标签,利用标签可以分类(看作产品,类别数目相当于是固定的),B说的话相当于评论。如果实际有多组对话,每组对话相当于一个用户对多个产品对的评价,所以构建的矩阵可以是包含多个用户的矩阵。
13、利用对话文本包含的对话过程中用户A所说的语句的情感标签来进行分类,利用情感打分程序对用户B对用户A语句的回应进行情感打分,完成矩阵的构建。
14、对构建的矩阵进行矩阵分解,得出用户个性矩阵,基于用户个性矩阵进行用户异常情绪检测。
本实施例中,余弦相似度公式通常用来计算两个n维向量的夹角的余弦值,夹角越接近0°,两个向量越相似。
本实施例中,根据对话只构建一个包含多个用户的矩阵,得到的个性矩阵是利用协同过滤的思想进行矩阵分解得到的。
在一个实施例中,还包括:
基于用户个性矩阵进行异常情绪检测。
在一个实施例中,所述基于异常情绪检测,检测出的异常包括:
通过计算用户B与正常用户个性向量的相似度,检测出用户B是否异常。
在一个实施例中,用户个性向量为用户个性矩阵中代表每位用户个性的多维行向量,检测用户B是否异常指用户B的个性向量与正常用户的个性向量的余弦相似度值是否符合正常范围。
在一个实施例中,所述根据用户B及正常用户的个性向量的余弦相似度利用公式计算得出用户B是否异常:
如果用户B与正常用户的个性向量余弦相似度值较高,则用户B无异常情绪。
本实施例中,余弦相似度公式通常用来计算两个n维向量的夹角的余弦值,夹角越接近0°,两个向量越相似。
本发明实施例提供一种基于对话内容的用户异常情绪检测方法,如图2所示,该方法包括:
21、从大量具有情感标注的对话文本中提取出语句和相应情感标签;
22、将对话文本中用户A所说的语句看作是产品,用户B所说的话看作是对产品的评论,对话文本包含的对话过程相当于B对多个产品进行评论;
本发明实施例中,A所说的语句已经打好标签,利用标签可以分类(看作产品,类别数目相当于是固定的),B说的话相当于评论,实际有多组对话,每组对话相当于一个用户对多个产品对的评价,构建的矩阵是包含多个用户的矩阵。
23、利用对话文本包含的对话过程中用户A所说的语句的情感标签来进行分类,利用情感打分程序对用户B对用户A语句的回应进行情感打分,完成矩阵的构建;
24、对构建的矩阵进行矩阵分解,得出用户的个性矩阵,基于用户的个性矩阵得出用户B是否出现异常。
例如,A和B在网上聊天,我们可以根据其对话过程来检测其聊天过程中情绪是否出现异常。
本发明实施例基于对话内容的用户异常情绪检测方法,从大量具有情感标注的对话文本中提取出语句和相应情感标签,将对话文本中用户A所说的语句看作是产品,用户B所说的话看作是对产品的评论,对话文本包含的对话过程相当于B对多个产品进行评论,利用对话文本包含的对话过程中用户A所说的语句的情感标签来进行分类,利用情感打分程序对用户B对用户A语句的回应进行情感打分,完成矩阵的构建,对构建的矩阵进行矩阵分解,得出用户的个性矩阵,基于用户的个性矩阵得出用户B是否出现异常。
以上已经描述了本发明的实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种基于对话内容的用户异常情绪检测方法,其特征在于,包括:
从大量具有情感标注的对话文本中提取出语句和相应情感标签;
将对话文本中用户A所说的语句看作是产品,用户B所说的话看作是对产品的评论,对话文本包含的对话过程相当于B对多个产品进行评论;
利用对话文本包含的对话过程中用户A所说的语句的情感标签来进行分类,利用情感打分程序对用户B对用户A语句的回应进行情感打分,完成矩阵的构建;
对构建的矩阵进行矩阵分解,得出用户个性矩阵,基于用户个性矩阵进行用户异常情绪检测。
2.根据权利要求1所述的方法,其特征在于,所述基于异常情绪检测,检测出的异常包括:
通过计算用户B与正常用户个性向量的相似度,检测出用户B是否异常。
3.根据权利要求2所述的方法,其特征在于,用户个性向量为用户个性矩阵中代表每位用户个性的多维行向量,检测用户B是否异常指用户B的个性向量与正常用户的个性向量的余弦相似度值是否符合正常范围。
4.根据权利要求3所述的方法,其特征在于,所述根据用户B及正常用户的个性向量的余弦相似度利用公式计算得出用户B是否异常:
如果用户B与正常用户的个性向量余弦相似度值较高,则用户B无异常情绪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231514.6A CN108509418A (zh) | 2018-03-20 | 2018-03-20 | 基于对话内容的用户异常情绪检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231514.6A CN108509418A (zh) | 2018-03-20 | 2018-03-20 | 基于对话内容的用户异常情绪检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108509418A true CN108509418A (zh) | 2018-09-07 |
Family
ID=63376867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810231514.6A Pending CN108509418A (zh) | 2018-03-20 | 2018-03-20 | 基于对话内容的用户异常情绪检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108509418A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120101735A1 (en) * | 2010-10-21 | 2012-04-26 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing an emotion of an individual based on facial action units |
CN105701210A (zh) * | 2016-01-13 | 2016-06-22 | 福建师范大学 | 一种基于混杂特征计算的微博主题情感分析方法 |
CN105718446A (zh) * | 2016-03-08 | 2016-06-29 | 徐勇 | 一种基于情感分析的ugc模糊综合评价方法 |
CN105740224A (zh) * | 2014-12-11 | 2016-07-06 | 仲恺农业工程学院 | 一种基于文本分析的用户心理预警方法与装置 |
CN106503805A (zh) * | 2016-11-14 | 2017-03-15 | 合肥工业大学 | 一种基于机器学习的双模态人人对话情感分析系统及其方法 |
CN106528538A (zh) * | 2016-12-07 | 2017-03-22 | 竹间智能科技(上海)有限公司 | 智能识别情绪的方法及装置 |
CN106776581A (zh) * | 2017-02-21 | 2017-05-31 | 浙江工商大学 | 基于深度学习的主观性文本情感分析方法 |
CN106919673A (zh) * | 2017-02-21 | 2017-07-04 | 浙江工商大学 | 基于深度学习的文本情绪分析系统 |
CN107330461A (zh) * | 2017-06-27 | 2017-11-07 | 安徽师范大学 | 基于情感与信任的协同过滤推荐方法 |
CN107622132A (zh) * | 2017-10-09 | 2018-01-23 | 四川大学 | 一种面向在线问答社区的关联分析可视化方法 |
CN107808008A (zh) * | 2017-11-17 | 2018-03-16 | 合肥工业大学 | 一种考虑用户特征信息的主题‑情感联合建模方法 |
-
2018
- 2018-03-20 CN CN201810231514.6A patent/CN108509418A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120101735A1 (en) * | 2010-10-21 | 2012-04-26 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing an emotion of an individual based on facial action units |
CN105740224A (zh) * | 2014-12-11 | 2016-07-06 | 仲恺农业工程学院 | 一种基于文本分析的用户心理预警方法与装置 |
CN105701210A (zh) * | 2016-01-13 | 2016-06-22 | 福建师范大学 | 一种基于混杂特征计算的微博主题情感分析方法 |
CN105718446A (zh) * | 2016-03-08 | 2016-06-29 | 徐勇 | 一种基于情感分析的ugc模糊综合评价方法 |
CN106503805A (zh) * | 2016-11-14 | 2017-03-15 | 合肥工业大学 | 一种基于机器学习的双模态人人对话情感分析系统及其方法 |
CN106528538A (zh) * | 2016-12-07 | 2017-03-22 | 竹间智能科技(上海)有限公司 | 智能识别情绪的方法及装置 |
CN106776581A (zh) * | 2017-02-21 | 2017-05-31 | 浙江工商大学 | 基于深度学习的主观性文本情感分析方法 |
CN106919673A (zh) * | 2017-02-21 | 2017-07-04 | 浙江工商大学 | 基于深度学习的文本情绪分析系统 |
CN107330461A (zh) * | 2017-06-27 | 2017-11-07 | 安徽师范大学 | 基于情感与信任的协同过滤推荐方法 |
CN107622132A (zh) * | 2017-10-09 | 2018-01-23 | 四川大学 | 一种面向在线问答社区的关联分析可视化方法 |
CN107808008A (zh) * | 2017-11-17 | 2018-03-16 | 合肥工业大学 | 一种考虑用户特征信息的主题‑情感联合建模方法 |
Non-Patent Citations (1)
Title |
---|
孙晓 等: "基于多特征融合的混合神经网络模型讽刺语用判别", 《中文信息学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Salminen et al. | Creating and detecting fake reviews of online products | |
Asif et al. | Sentiment analysis of extremism in social media from textual information | |
Hasan et al. | Automatic emotion detection in text streams by analyzing twitter data | |
Dou | Capturing user and product information for document level sentiment analysis with deep memory network | |
Hussain et al. | Spam review detection using the linguistic and spammer behavioral methods | |
Ahmed et al. | Detecting sentiment dynamics and clusters of Twitter users for trending topics in COVID-19 pandemic | |
Sinha et al. | # suicidal-A multipronged approach to identify and explore suicidal ideation in twitter | |
Zhang et al. | Commtrust: Computing multi-dimensional trust by mining e-commerce feedback comments | |
Dematis et al. | Fake review detection via exploitation of spam indicators and reviewer behavior characteristics | |
Yang et al. | User interest and social influence based emotion prediction for individuals | |
Chafale et al. | Review on developing corpora for sentiment analysis using plutchik’s wheel of emotions with fuzzy logic | |
Simms et al. | Detecting cognitive distortions through machine learning text analytics | |
Nair et al. | SentiMa-sentiment extraction for Malayalam | |
Han et al. | Influence tuning: Demoting spurious correlations via instance attribution and instance-driven updates | |
Alahmadi et al. | Twitter-based recommender system to address cold-start: A genetic algorithm based trust modelling and probabilistic sentiment analysis | |
WO2015160415A2 (en) | Systems and methods for visual sentiment analysis | |
Anvar Shathik et al. | A literature review on application of sentiment analysis using machine learning techniques | |
Kauer et al. | Using information retrieval for sentiment polarity prediction | |
Das et al. | Context-sensitive gender inference of named entities in text | |
JP2017134787A (ja) | 複数地域でのトピックの評価を分析する装置、プログラム及び方法 | |
Tai et al. | Systematical approach for detecting the intention and intensity of feelings on social network | |
Abadah et al. | Analytics of public reactions to the Covid-19 vaccine on twitter using sentiment analysis and topic modelling | |
Pan et al. | Large scale abstractive multi-review summarization (LSARS) via aspect alignment | |
CN108509418A (zh) | 基于对话内容的用户异常情绪检测方法 | |
Zhao et al. | Tracking brand-associated polarity-bearing topics in user reviews |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180907 |
|
RJ01 | Rejection of invention patent application after publication |