CN110427454A - 文本情绪分析方法及装置、电子设备和非暂态存储介质 - Google Patents
文本情绪分析方法及装置、电子设备和非暂态存储介质 Download PDFInfo
- Publication number
- CN110427454A CN110427454A CN201910540391.9A CN201910540391A CN110427454A CN 110427454 A CN110427454 A CN 110427454A CN 201910540391 A CN201910540391 A CN 201910540391A CN 110427454 A CN110427454 A CN 110427454A
- Authority
- CN
- China
- Prior art keywords
- text
- analyzed
- mood
- sample
- context
- 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.)
- Granted
Links
- 230000036651 mood Effects 0.000 title claims abstract description 199
- 238000004458 analytical method Methods 0.000 title claims abstract description 124
- 230000001052 transient effect Effects 0.000 title claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000008451 emotion Effects 0.000 claims description 50
- 238000006243 chemical reaction Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 45
- 230000002996 emotional effect Effects 0.000 description 17
- 238000007792 addition Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Machine Translation (AREA)
Abstract
本发明提出了一种文本情绪分析方法及装置、电子设备和非暂态存储介质,涉及人工智能技术领域,该方法包括:获取待分析文本以及上下文文本;对上下文文本和待分析文本进行分词处理,得到第一分词集合和第二分词集合;将第一分词集合和第二分词集合分别转化为第一特征向量集合和第二特征向量集合;通过文本情绪分析模型中的遗忘门乘以第一特征向量集合得到第一乘积;通过文本情绪分析模型中的输入门乘以第二特征向量集合得到第二乘积;计算第一乘积与第二乘积的和作为待分析文本的单元状态;将待分析文本的单元状态应用于文本情绪分析模型的输出门,输出待分析文本的情绪标识。本发明的技术方案有助于提升情绪分析的准确性。
Description
【技术领域】
本发明涉及人工智能技术领域,尤其涉及一种文本情绪分析方法及装置、电子设备和非暂态存储介质。
【背景技术】
随着科技的发展,在社交软件等应用中,往往可通过对语句等文本的分析确定用户的情绪,具体来说,可将用户发出某一语句进行拆分,得到多个词组,并分别判断每个词组的情绪,最终,根据每个词组所占的比重以及对每个词组的情绪判断结果,预测这一语句的整体情绪。
然而,这一技术方案具有局限性,由于语言本身具有多样性,在不同的语言环境中同样的语言甚至可以表达完全相反的情绪,比如,我没有生气,没有生气一词对应的情绪为平静,但在特定场景中,比如惹女朋友生气之后,女朋友输入的“我没有生气”,则很有可能是相反的情绪表达:我很生气。故相关技术的情绪分析方式很有可能得出错误结论。
因此,如何提升文本情绪分析结果的准确性,成为目前亟待解决的技术问题。
【发明内容】
本发明实施例提供了一种文本情绪分析方法及装置、电子设备和非暂态存储介质,旨在解决相关技术中文本情绪分析结果不准确的技术问题,能够充分考虑待分析文本的语言环境,提升对其情绪分析的准确性。
第一方面,本发明实施例提供了一种文本情绪分析方法,包括:获取待分析文本以及所述待分析文本的上下文文本,其中,所述待分析文本的发生时间晚于所述上下文文本的发生时间;对所述上下文文本和所述待分析文本进行分词处理,分别得到第一分词集合和第二分词集合;将所述第一分词集合和所述第二分词集合分别转化为第一特征向量集合和第二特征向量集合;通过文本情绪分析模型中的遗忘门乘以所述第一特征向量集合,得到第一乘积;通过所述文本情绪分析模型中的输入门乘以所述第二特征向量集合,得到第二乘积;计算所述第一乘积与所述第二乘积的和,作为所述待分析文本的单元状态;将所述待分析文本的单元状态作为变量应用于所述文本情绪分析模型中的输出门,输出所述待分析文本的情绪标识。
在本发明上述实施例中,可选地,在所述获取待分析文本以及所述待分析文本的上下文文本的步骤之前,还包括:获取样本文本、所述样本文本的样本上下文文本以及所述样本文本的情绪标识;将所述样本文本和所述样本上下文文本作为输入,将所述样本文本的所述情绪标识作为输出,通过时间递归神经网络学习算法训练所述文本情绪分析模型。
在本发明上述实施例中,可选地,所述获取所述样本文本的情绪标识的步骤,包括:对于任一所述样本文本,获取多个主体对所述样本文本和对应的所述样本上下文文本的整体主观情绪标识;在所述多个主体提供的多个所述整体主观情绪标识中选择数量最多的一种主观情绪标识,作为所述样本文本对应的所述情绪标识。
在本发明上述实施例中,可选地,所述获取所述样本文本的情绪标识的步骤,包括:对于任一所述样本文本,获取多个主体对所述样本文本和对应的所述样本上下文文本的整体主观情绪标识;根据所述多个主体的置信度,计算选择任一种所述整体主观情绪标识的若干个主体的置信度和;将所述置信度和最高的一种所述主观情绪标识设置为所述样本文本的情绪标识。
在本发明上述实施例中,可选地,还包括:根据所述样本文本的情绪标识,以及每个所述主体对所述样本文本的所述整体主观情绪标识,对每个所述主体的置信度进行修正,以根据所述多个主体的修正后置信度判断下一样本文本对应的情绪标识。
在本发明上述实施例中,可选地,所述获取所述待分析文本的上下文文本的步骤,包括:获取所述样本文本的发生时间前的第一预定时间间隔内的第一文本信息,作为所述上下文文本;或获取所述样本文本的文本位置前的第一距离内的第二文本信息,作为所述上下文文本。
在本发明上述实施例中,可选地,在所述对所述上下文文本和所述待分析文本进行分词处理的步骤之前,还包括:根据所述待分析文本和所述上下文文本的语言类型,确定对应的中间语言转换关系;根据所述中间语言转换关系,将所述待分析文本和所述上下文文本分别转换为用中间语言描述的转换后待分析文本和转换后上下文文本,以对所述转换后待分析文本和所述转换后上下文文本进行分词处理。
第二方面,本发明实施例提供了一种文本情绪分析装置,包括:第一获取单元,用于获取待分析文本以及所述待分析文本的上下文文本,其中,所述待分析文本的发生时间晚于所述上下文文本的发生时间;分词处理单元,用于对所述上下文文本和所述待分析文本进行分词处理,分别得到第一分词集合和第二分词集合;向量转换单元,用于将所述第一分词集合和所述第二分词集合分别转化为第一特征向量集合和第二特征向量集合;遗忘门处理单元,用于通过文本情绪分析模型中的遗忘门乘以所述第一特征向量集合,得到第一乘积;输入门处理单元,用于通过所述文本情绪分析模型中的输入门乘以所述第二特征向量集合,得到第二乘积;单元状态计算单元,用于计算所述第一乘积与所述第二乘积的和,作为所述待分析文本的单元状态;输出门计算单元,用于将所述待分析文本的单元状态作为变量应用于所述文本情绪分析模型中的输出门,输出所述待分析文本的情绪标识。
在本发明上述实施例中,可选地,还包括:第二获取单元,用于在所述第一获取单元获取所述待分析文本以及所述待分析文本的上下文文本之前,获取样本文本、所述样本文本的样本上下文文本以及所述样本文本的情绪标识;模型训练单元,用于将所述样本文本和所述样本上下文文本作为输入,将所述样本文本的所述情绪标识作为输出,通过时间递归神经网络学习算法训练所述文本情绪分析模型。
在本发明上述实施例中,可选地,所述第二获取单元用于:对于任一所述样本文本,获取多个主体对所述样本文本和对应的所述样本上下文文本的整体主观情绪标识;在所述多个主体提供的多个所述整体主观情绪标识中选择数量最多的一种主观情绪标识,作为所述样本文本对应的所述情绪标识。
在本发明上述实施例中,可选地,所述第二获取单元用于:对于任一所述样本文本,获取多个主体对所述样本文本和对应的所述样本上下文文本的整体主观情绪标识;根据所述多个主体的置信度,计算选择任一种所述整体主观情绪标识的若干个主体的置信度和;将所述置信度和最高的一种所述主观情绪标识设置为所述样本文本的情绪标识。
在本发明上述实施例中,可选地,还包括:置信度修正单元,用于根据所述样本文本的情绪标识,以及每个所述主体对所述样本文本的所述整体主观情绪标识,对每个所述主体的置信度进行修正,以根据所述多个主体的修正后置信度判断下一样本文本对应的情绪标识。
在本发明上述实施例中,可选地,所述第一获取单元用于:获取所述样本文本的发生时间前的第一预定时间间隔内的第一文本信息,作为所述上下文文本;或获取所述样本文本的文本位置前的第一距离内的第二文本信息,作为所述上下文文本。
在本发明上述实施例中,可选地,还包括:转换关系确定单元,用于在所述分词处理单元对所述上下文文本和所述待分析文本进行分词处理之前,根据所述待分析文本和所述上下文文本的语言类型,确定对应的中间语言转换关系;语言转换处理单元,用于根据所述中间语言转换关系,将所述待分析文本和所述上下文文本分别转换为用中间语言描述的转换后待分析文本和转换后上下文文本,以对所述转换后待分析文本和所述转换后上下文文本进行分词处理。
第三方面,本发明实施例提供了一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行上述第一方面中任一项所述的方法。
第四方面,本发明实施例提供了一种非暂态存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行上述第一方面中任一项所述的方法流程。
以上技术方案,针对相关技术中文本情绪分析结果不准确的技术问题,提出了将待分析文本与其上下文文本一起分析,以得出待分析文本的真实情绪。
首先,获取待分析文本和上下文文本。待分析文本可以为一段文本中的一句,也可以为实时通信软件中多人聊天内容中的一句,既可以是已有的历史记录,也可以是实时发生、实时接收到的文本内容,进一步地,待分析文本既包括文字内容,也包括文字表情、图像表情、动画表情和各种符号。对于待分析文本是一段文本中的一句的情况,可根据其文本位置,获取其在前的文本作为其上下文文本,而对于待分析文本是实时通信软件中多人聊天内容中的一句的情况,在待分析文本有后续聊天内容的情况下,可根据其文本位置和/或发生时间获取其在前的聊天内容作为其上下文文本。
接着,将待分析文本和上下文文本作为一个整体,输入文本情绪分析模型。具体来说,对所述上下文文本和所述待分析文本进行分词处理,分别得到第一分词集合和第二分词集合,在将所述第一分词集合和所述第二分词集合分别转化为第一特征向量集合和第二特征向量集合。比如,对于文本“以下问题请您进行回答和补充”,分词后为:以下、问题、请、您、进行、回答、和、补充,转化为特征向量后为:x1、x2、x3、x4、x5、x6、x7、x8。
进而,通过文本情绪分析模型中的遗忘门乘以所述第一特征向量集合,得到第一乘积,也就是说,将x1、x2、x3、x4、x5、x6、x7、x8分别作为变量与遗忘门相乘,各得到一个乘积,将所有乘积相加,得到第一乘积。其中,遗忘门用于将细胞状态中的信息选择性的遗忘,包括但不限于sigmoid,决定了上一时刻的单元状态,也就是上下文文本对应的单元状态有多少保留到当前时刻,即上下文文本的真实情绪对当前的待分析文本的真实情绪的影响。换句话说,通过遗忘门输出的第一乘积是以数值方式,表明了上下文文本的真实情绪对待分析文本的真实情绪的影响力。
相似地,通过所述文本情绪分析模型中的输入门乘以所述第二特征向量集合,得到第二乘积,也就是说,将第二特征向量集合中的各向量分别作为变量与输入门相乘,各得到一个乘积,将所有乘积相加,得到第二乘积。其中,输入门用于将新的信息选择性的记录到细胞状态中,决定了当前时刻网络的输入,有多少保存到单元状态,通过输入门,即可将待分析文本的情绪信息以乘积形式进行保存,以进行下一步处理。换句话说,通过输入门输出的第二乘积是以数值方式,表明了待分析文本被初步单独评估得出的情绪。
第一乘积与第二乘积的和相加得到待分析文本的单元状态,单元状态代表了待分析文本的情绪信息受上下文文本的真实情绪信息影响和修正后的结果,因此,可将待分析文本的单元状态作为变量应用于文本情绪分析模型中的输出门,最终输出待分析文本的情绪标识。由于输出门用于把前面的信息保存到隐层中去,以根据前面的信息预测下一个信息,那么,在遇到下一时刻的待分析文本时,当前时刻的待分析文本及其单元状态就可以作为下一时刻的待分析文本的上下文文本进行使用了。
总的来说,在训练其文本情绪分析模型的过程中,可将对待分析文本和上下文文本分别进行词组语义分析,得到待分析文本和上下文文本分别对应的第一语义和第二语义,并通过上下文文本的第二语义对待分析文本的第一语义进行修正,换句话说,需要确定第二语义的实际效果对第一语义的准确性是加成作用还是负加成作用。这样一来,训练得到的文本情绪分析模型就能够有效体现待分析文本在上下文文本的语义环境下所体现的实际语义,故应用此模型,能够将待分析文本和上下文文本作为一个整体进行分析,得到更为实际更为准确的待分析文本的语义。下面通过一个实际例子对此方案进行说明。
在实际场景中,比如,约会爽约后,在实时通信软件向女朋友发送“对不起,我不能过去了,请不要生气”,女朋友回复“我不生气”,在相关技术中,只对“我不生气”进行词组情绪判断,得到的情绪分析结果为平静。而在本发明的技术方案中,则会结合在前的上下文文本“对不起,我不能过去了,请不要生气”,分析得到第二语义为失约、犯错,对待分析文本“我不生气”分析得到第一语义为平静,接着,通过第二语义对第一语义进行修正,结合实际场景,可知第二语义对第一语义为负加成作用,故确定第一语义与其单独进行词组语义分析得到的结果是相反的,故将其进行负加成后得到修正后的第一语义为生气。
在上述原理的基础上,这一文本情绪分析模型由大量的样本文本、样本上下文文本的情绪标识以及样本上下文文本的单元状态作为输入,将样本文本的情绪标识和样本分析文本的单元状态作为输出,训练得到的。因此,该文本情绪分析模型可以在大量样本训练得到文本与情绪的关联关系的基础上,将待分析文本和上下文文本相结合,输出其符合实际文本-情绪的关联规律的情绪分析结果。
结合文本情绪分析模型的应用,在上述实际场景中,在实时通信软件向女朋友发送“对不起,我不能过去了,请不要生气”,女朋友回复“我不生气”,则将两者输入文本情绪分析模型,输出的情绪分析结果则为生气。接着,在实时通信软件向女朋友发送“真的吗?”,女朋友回复“呵呵,当然。”此时,可将上下文文本“对不起,我不能过去了,请不要生气”、“我不生气”、“真的吗?”与待分析文本“呵呵,当然。”整体作为待分析文本“呵呵,当然。”的情绪判断基础,输入文本情绪分析模型,输出的情绪分析结果则为生气。
由此可知,本发明中的文本情绪分析模型是经由上下文文本和待分析文本一起作为输入进行训练的,所以其具有考虑了上下文文本后的文本-情绪的关联规律,故在应用文本情绪分析模型时,也可根据上下文文本和待分析文本一起作为输入,自动输出情绪分析结果。
再者,根据上述实例可知,本发明的技术方案中文本情绪分析模型一直处于工作状态,每出现一句新的待分析文本,就会获取其上下文进行一次情绪分析,从而能够实时、全面且准确地分析聊天对象的情绪状态。
通过以上技术方案,在对待分析文本进行情绪分析时将其上下文文本考虑在内,应用文本情绪分析模型自动输出情绪分析结果,相对于相关技术中仅对待分析文本的内部词组进行分析的技术方案,在快速得出情绪分析结果以便利用户的基础上,能够更加全面、充分地考虑待分析文本的语言环境和上下文关系,提升了情绪分析的准确性。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1示出了本发明的一个实施例的文本情绪分析方法的流程图;
图2示出了本发明的一个实施例的获取样本文本的情绪标识的流程图;
图3示出了本发明的另一个实施例的文本情绪分析方法的流程图;
图4示出了本发明的一个实施例的文本情绪分析装置的框图;
图5示出了本发明的一个实施例的电子设备的框图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
图1示出了本发明的一个实施例的文本情绪分析方法的流程图。
如图1所示,本发明的一个实施例的文本情绪分析方法的流程包括:
步骤102,获取待分析文本以及所述待分析文本的上下文文本,其中,所述待分析文本的发生时间晚于所述上下文文本的发生时间。
待分析文本可以为一段文本中的一句,也可以为实时通信软件中多人聊天内容中的一句,既可以是已有的历史记录,也可以是实时发生、实时接收到的文本内容,进一步地,待分析文本既包括文字内容,也包括文字表情、图像表情、动画表情和各种符号。对于待分析文本是一段文本中的一句的情况,可根据其文本位置,获取其在前的文本作为其上下文文本,而对于待分析文本是实时通信软件中多人聊天内容中的一句的情况,在待分析文本有后续聊天内容的情况下,可根据其文本位置和/或发生时间获取其在前的聊天内容作为其上下文文本。
步骤104,对所述上下文文本和所述待分析文本进行分词处理,分别得到第一分词集合和第二分词集合。
步骤106,将所述第一分词集合和所述第二分词集合分别转化为第一特征向量集合和第二特征向量集合。
对所述上下文文本和所述待分析文本进行分词处理,分别得到第一分词集合和第二分词集合,在将所述第一分词集合和所述第二分词集合分别转化为第一特征向量集合和第二特征向量集合。比如,对于文本“以下问题请您进行回答和补充”,分词后为:以下、问题、请、您、进行、回答、和、补充,转化为特征向量后为:x1、x2、x3、x4、x5、x6、x7、x8。
步骤108,通过文本情绪分析模型中的遗忘门乘以所述第一特征向量集合,得到第一乘积。
进而,通过文本情绪分析模型中的遗忘门乘以所述第一特征向量集合,得到第一乘积,也就是说,将x1、x2、x3、x4、x5、x6、x7、x8分别作为变量与遗忘门相乘,各得到一个乘积,将所有乘积相加,得到第一乘积。其中,遗忘门用于将细胞状态中的信息选择性的遗忘,包括但不限于sigmoid,决定了上一时刻的单元状态,也就是上下文文本对应的单元状态有多少保留到当前时刻,即上下文文本的真实情绪对当前的待分析文本的真实情绪的影响。换句话说,通过遗忘门输出的第一乘积是以数值方式,表明了上下文文本的真实情绪对待分析文本的真实情绪的影响力。
步骤110,通过所述文本情绪分析模型中的输入门乘以所述第二特征向量集合,得到第二乘积。
通过所述文本情绪分析模型中的输入门乘以所述第二特征向量集合,得到第二乘积,也就是说,将第二特征向量集合中的各向量分别作为变量与输入门相乘,各得到一个乘积,将所有乘积相加,得到第二乘积。其中,输入门用于将新的信息选择性的记录到细胞状态中,决定了当前时刻网络的输入,有多少保存到单元状态,通过输入门,即可将待分析文本的情绪信息以乘积形式进行保存,以进行下一步处理。换句话说,通过输入门输出的第二乘积是以数值方式,表明了待分析文本被初步单独评估得出的情绪。
步骤112,计算所述第一乘积与所述第二乘积的和,作为所述待分析文本的单元状态。
步骤114,将所述待分析文本的单元状态作为变量应用于所述文本情绪分析模型中的输出门,输出所述待分析文本的情绪标识。
第一乘积与第二乘积的和相加得到待分析文本的单元状态,单元状态代表了待分析文本的情绪信息受上下文文本的真实情绪信息影响和修正后的结果,因此,可将待分析文本的单元状态作为变量应用于文本情绪分析模型中的输出门,最终输出待分析文本的情绪标识。由于输出门用于把前面的信息保存到隐层中去,以根据前面的信息预测下一个信息,那么,在遇到下一时刻的待分析文本时,当前时刻的待分析文本及其单元状态就可以作为下一时刻的待分析文本的上下文文本进行使用了。
总的来说,在训练其文本情绪分析模型的过程中,可将对待分析文本和上下文文本分别进行词组语义分析,得到待分析文本和上下文文本分别对应的第一语义和第二语义,并通过上下文文本的第二语义对待分析文本的第一语义进行修正,换句话说,需要确定第二语义的实际效果对第一语义的准确性是加成作用还是负加成作用。这样一来,训练得到的文本情绪分析模型就能够有效体现待分析文本在上下文文本的语义环境下所体现的实际语义,故应用此模型,能够将待分析文本和上下文文本作为一个整体进行分析,得到更为实际更为准确的待分析文本的语义。下面通过一个实际例子对此方案进行说明。
在实际场景中,比如,约会爽约后,在实时通信软件向女朋友发送“对不起,我不能过去了,请不要生气”,女朋友回复“我不生气”,在相关技术中,只对“我不生气”进行词组情绪判断,得到的情绪分析结果为平静。而在本发明的技术方案中,则会结合在前的上下文文本“对不起,我不能过去了,请不要生气”,分析得到第二语义为失约、犯错,对待分析文本“我不生气”分析得到第一语义为平静,接着,通过第二语义对第一语义进行修正,结合实际场景,可知第二语义对第一语义为负加成作用,故确定第一语义与其单独进行词组语义分析得到的结果是相反的,故将其进行负加成后得到修正后的第一语义为生气。
其中,在步骤102之前,还包括:获取样本文本、所述样本文本的样本上下文文本以及所述样本文本的情绪标识;将所述样本文本和所述样本上下文文本作为输入,将所述样本文本的所述情绪标识作为输出,通过时间递归神经网络学习算法训练所述文本情绪分析模型。
这一文本情绪分析模型由大量的样本文本、样本上下文文本的情绪标识以及样本上下文文本的单元状态作为输入,将样本文本的情绪标识和样本分析文本的单元状态作为输出,训练得到的。因此,该文本情绪分析模型可以在大量样本训练得到文本与情绪的关联关系的基础上,将待分析文本和上下文文本相结合,输出其符合实际文本-情绪的关联规律的情绪分析结果。
结合文本情绪分析模型的应用,在上述实际场景中,在实时通信软件向女朋友发送“对不起,我不能过去了,请不要生气”,女朋友回复“我不生气”,则将两者输入文本情绪分析模型,输出的情绪分析结果则为生气。接着,在实时通信软件向女朋友发送“真的吗?”,女朋友回复“呵呵,当然。”此时,可将上下文文本“对不起,我不能过去了,请不要生气”、“我不生气”、“真的吗?”与待分析文本“呵呵,当然。”整体作为待分析文本“呵呵,当然。”的情绪判断基础,输入文本情绪分析模型,输出的情绪分析结果则为生气。
由此可知,本发明中的文本情绪分析模型是经由上下文文本和待分析文本一起作为输入进行训练的,所以其具有考虑了上下文文本后的文本-情绪的关联规律,故在应用文本情绪分析模型时,也可根据上下文文本和待分析文本一起作为输入,自动输出情绪分析结果。
再者,根据上述实例可知,本发明的技术方案中文本情绪分析模型一直处于工作状态,每出现一句新的待分析文本,就会获取其上下文进行一次情绪分析,从而能够实时、全面且准确地分析聊天对象的情绪状态。
通过以上技术方案,在对待分析文本进行情绪分析时将其上下文文本考虑在内,应用文本情绪分析模型自动输出情绪分析结果,相对于相关技术中仅对待分析文本的内部词组进行分析的技术方案,在快速得出情绪分析结果以便利用户的基础上,能够更加全面、充分地考虑待分析文本的语言环境和上下文关系,提升了情绪分析的准确性。
图2示出了本发明的一个实施例的获取样本文本的情绪标识的流程图。
如图2所示,本发明的一个实施例的获取样本文本的情绪标识的方式包括:
步骤202,对于任一样本文本,获取多个主体对所述样本文本和对应的样本上下文文本的整体主观情绪标识。
情绪标识分可为7大基本类型:高兴、惊讶、平静、悲伤、厌恶、愤怒、恐惧,或者,也可更加细致地进行分类,分为钦佩、崇拜、欣赏、娱乐、焦虑、敬畏、尴尬、厌倦、冷静、困惑、渴望、厌恶、同理心痛苦、着迷、嫉妒、兴奋、恐惧、痛恨、有趣、快乐、怀旧、浪漫、悲伤、满意、性欲、同情和满足等多种类型,多样化的情绪类型便于更加细致地确定待分析文本的准确情绪,提升了情绪分析的准确性。
获取样本数据中的情绪标识时,需要确保这一情绪标识的正确性,其中,可通过迭代方式进行情绪标识的选取。具体来说,对于任一个样本文本,可获取多个主体对样本文本的主观情绪标识,每个主体为具有完全行为判断能力的成年人,其选择的主观情绪标识代表该成年人认为的样本文本所代表的情绪。
步骤204,根据所述多个主体的置信度,计算选择任一种所述整体主观情绪标识的若干个主体的置信度和。
步骤206,将所述置信度和最高的一种所述主观情绪标识设置为所述样本文本的情绪标识。
由于每个主体间的理解能力差异,每个主体对同一样本文本所认定的主观情绪标识可能会有不同,。故可为每个主体设置相同的参数作为置信度,比如1,置信度代表该主体的判断行为的可靠程度,在多个主体对一个样本文本及其样本上下文文本做出主观情绪标识后,计算任一种主观情绪标识下的若干个主体的置信度和,其中,置信度和越高,说明此判断结果越可靠,因此,可选择置信度和最高的一种主观情绪标识,作为该样本文本的情绪标识。
步骤208,根据所述样本文本的情绪标识,以及每个所述主体对所述样本文本的所述整体主观情绪标识,对每个所述主体的置信度进行修正,以根据所述多个主体的修正后置信度判断下一样本文本对应的情绪标识。
对于置信度和最高的一种主观情绪标识下的若干主体来说,其选择了正确的情绪标识,故其置信度得到加成,相反地,对于选择了其他错误的主观情绪标识的主体来说,其置信度则会得到削减。进一步地,就可以通过置信度已被更新过的多个主体继续进行情绪标识的判断。通过上述技术方案,可通过不断修正主体的置信度的方式,加强训练文本情绪分析模型所使用的样本数据的有效性,从而使根据该样本数据训练得到的文本情绪分析模型更为可靠。
在本发明的另一种实现方式中,获取所述样本文本的情绪标识的步骤还可以为:对于任一所述样本文本,获取多个主体对所述样本文本和对应的所述样本上下文文本的整体主观情绪标识;在所述多个主体提供的多个所述整体主观情绪标识中选择数量最多的一种主观情绪标识,作为所述样本文本对应的所述情绪标识。
获取样本数据中的情绪标识时,需要确保这一情绪标识的正确性,其中,可通过投票方式进行情绪标识的选取。具体来说,对于任一个样本文本,可获取多个主体对样本文本的主观情绪标识,每个主体为具有完全行为判断能力的成年人,其选择的主观情绪标识代表该成年人认为的样本文本所代表的情绪,而由于每个主体间的理解能力差异,每个主体对同一样本文本所认定的主观情绪标识可能会有不同,故可在一个样本文本被多个主体判得的多个主观情绪标识中,选择数量最多的一种主观情绪标识,作为样本文本对应的情绪标识,也就是说,大多是主体根据样本文本及其样本上下文文本认定此样本文本为,哪一种情绪即为该样本文本设置该种情绪标识。通过上述技术方案,可加强训练文本情绪分析模型所使用的样本数据的有效性,从而使根据该样本数据训练得到的文本情绪分析模型更为可靠。
另外,需要补充的是,获取所述待分析文本的上下文文本的步骤,包括:获取所述样本文本的发生时间前的第一预定时间间隔内的第一文本信息,作为所述上下文文本;或获取所述样本文本的文本位置前的第一距离内的第二文本信息,作为所述上下文文本。
对于待分析文本是一段文本中的一句的情况,可根据其文本位置,获取其在前的文本作为其上下文文本,而对于待分析文本是实时通信软件中多人聊天内容中的一句的情况,在待分析文本有后续聊天内容的情况下,可根据其文本位置和/或发生时间获取其在前的聊天内容作为其上下文文本,在待分析文本为最新聊天内容,即没有后续聊天内容的情况下,则可根据其文本位置和/或发生时间获取其在前的聊天内容作为其上下文文本。由此,可为待分析文本选择有效的上下文文本作为联合判断情绪标识的基础,有助于提升情绪检测的有效性。
图3示出了本发明的另一个实施例的文本情绪分析方法的流程图。
如图3所示,本发明的另一个实施例的文本情绪分析方法的流程包括:
步骤302,获取待分析文本以及所述待分析文本的上下文文本,其中,所述待分析文本的发生时间晚于所述上下文文本的发生时间。
步骤304,根据待分析文本和上下文文本的语言类型,确定对应的中间语言转换关系。
步骤306,根据所述中间语言转换关系,将所述待分析文本和所述上下文文本分别转换为用中间语言描述的转换后待分析文本和转换后上下文文本。
步骤308,对所述转换后上下文文本和所述转换后待分析文本进行分词处理,分别得到第一分词集合和第二分词集合。
步骤310,将所述第一分词集合和所述第二分词集合分别转化为第一特征向量集合和第二特征向量集合。
步骤312,通过文本情绪分析模型中的遗忘门乘以所述第一特征向量集合,得到第一乘积。
步骤314,通过所述文本情绪分析模型中的输入门乘以所述第二特征向量集合,得到第二乘积。
步骤316,计算所述第一乘积与所述第二乘积的和,作为所述待分析文本的单元状态。
步骤318,将所述待分析文本的单元状态作为变量应用于所述文本情绪分析模型中的输出门,输出所述转换后待分析文本的情绪标识。
由于语言的种类多种多样,比如,英语、法语、西班牙语等,若针对每种语言均获取大量样本数据并训练相应的文本情绪分析模型,则非常耗费工作成本,甚至于,在同一待分析数据中,可能带有多种语言,用任一语言的专用文本情绪分析模型均无法准确地得出其情绪标识。对此,可提供一种中间语言,比如英语,再比如一种人设编码,作为多种语言之间的桥梁,在检测到任一语言时,只要根据已知的中间语言转换关系,即可将其转换为此中间语言。这样,只要基于中间语言获取和训练一种语言类型的数据即可。
通过以上技术方案,解决了不同语言间的情绪分析方式不兼容的技术问题,通过将多种语言转换为中间语言,大大降低了样本数据训练的难度,降低了模型训练的工作成本,并能够在一句待分析文本包含多种语言的情况下准确评估此待分析文本的情绪,提升了情绪分析的准确性。
图4示出了本发明的一个实施例的文本情绪分析装置的框图。
如图4所示,本发明的一个实施例的文本情绪分析装置400包括:第一获取单元402,用于获取待分析文本以及所述待分析文本的上下文文本,其中,所述待分析文本的发生时间晚于所述上下文文本的发生时间;分词处理单元404,用于对所述上下文文本和所述待分析文本进行分词处理,分别得到第一分词集合和第二分词集合;向量转换单元406,用于将所述第一分词集合和所述第二分词集合分别转化为第一特征向量集合和第二特征向量集合;遗忘门处理单元408,用于通过文本情绪分析模型中的遗忘门乘以所述第一特征向量集合,得到第一乘积;输入门处理单元410,用于通过所述文本情绪分析模型中的输入门乘以所述第二特征向量集合,得到第二乘积;单元状态计算单元412,用于计算所述第一乘积与所述第二乘积的和,作为所述待分析文本的单元状态;输出门计算单元414,用于将所述待分析文本的单元状态作为变量应用于所述文本情绪分析模型中的输出门,输出所述待分析文本的情绪标识。
该文本情绪分析装置400使用图1至图3示出的实施例中任一项所述的方案,因此,具有上述所有技术效果,在此不再赘述。文本情绪分析装置400还具有以下技术特征:
在本发明上述实施例中,可选地,还包括:第二获取单元,用于在所述第一获取单元402获取所述待分析文本以及所述待分析文本的上下文文本之前,获取样本文本、所述样本文本的样本上下文文本以及所述样本文本的情绪标识;模型训练单元,用于将所述样本文本和所述样本上下文文本作为输入,将所述样本文本的所述情绪标识作为输出,通过时间递归神经网络学习算法训练所述文本情绪分析模型。
在本发明上述实施例中,可选地,所述第二获取单元用于:对于任一所述样本文本,获取多个主体对所述样本文本和对应的所述样本上下文文本的整体主观情绪标识;在所述多个主体提供的多个所述整体主观情绪标识中选择数量最多的一种主观情绪标识,作为所述样本文本对应的所述情绪标识。
在本发明上述实施例中,可选地,所述第二获取单元用于:对于任一所述样本文本,获取多个主体对所述样本文本和对应的所述样本上下文文本的整体主观情绪标识;根据所述多个主体的置信度,计算选择任一种所述整体主观情绪标识的若干个主体的置信度和;将所述置信度和最高的一种所述主观情绪标识设置为所述样本文本的情绪标识。
在本发明上述实施例中,可选地,还包括:置信度修正单元,用于根据所述样本文本的情绪标识,以及每个所述主体对所述样本文本的所述整体主观情绪标识,对每个所述主体的置信度进行修正,以根据所述多个主体的修正后置信度判断下一样本文本对应的情绪标识。
在本发明上述实施例中,可选地,所述第一获取单元402用于:获取所述样本文本的发生时间前的第一预定时间间隔内的第一文本信息,作为所述上下文文本;或获取所述样本文本的文本位置前的第一距离内的第二文本信息,作为所述上下文文本。
在本发明上述实施例中,可选地,还包括:转换关系确定单元,用于在所述分词处理单元404对所述上下文文本和所述待分析文本进行分词处理之前,根据所述待分析文本和所述上下文文本的语言类型,确定对应的中间语言转换关系;语言转换处理单元,用于根据所述中间语言转换关系,将所述待分析文本和所述上下文文本分别转换为用中间语言描述的转换后待分析文本和转换后上下文文本,以对所述转换后待分析文本和所述转换后上下文文本进行分词处理。
图5示出了本发明的一个实施例的电子设备的框图。
如图4所示,本发明的一个实施例的终端500,包括至少一个存储器502;以及,与所述至少一个存储器502通信连接的处理器504;其中,所述存储器存储有可被所述至少一个处理器504执行的指令,所述指令被设置为用于执行上述图1至图3实施例中任一项所述的方案。因此,该终端500具有和图1至图3实施例中任一项相同的技术效果,在此不再赘述。
本发明实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
另外,本发明实施例提供了一种非暂态存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行上述图1至图3实施例中任一项所述的方法流程。
以上结合附图详细说明了本发明的技术方案,通过本发明的技术方案,在对待分析文本进行情绪分析时将其上下文文本考虑在内,应用文本情绪分析模型自动输出情绪分析结果,相对于相关技术中仅对待分析文本的内部词组进行分析的技术方案,在快速得出情绪分析结果以便利用户的基础上,能够更加全面、充分地考虑待分析文本的语言环境和上下文关系,提升了情绪分析的准确性。
应当理解,尽管在本发明实施例中可能采用术语第一、第二等来描述获取单元,但这些获取单元不应限于这些术语。这些术语仅用来将获取单元彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一获取单元也可以被称为第二获取单元,类似地,第二获取单元也可以被称为第一获取单元。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个非暂态取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种文本情绪分析方法,其特征在于,包括:
获取待分析文本以及所述待分析文本的上下文文本,其中,所述待分析文本的发生时间晚于所述上下文文本的发生时间;
对所述上下文文本和所述待分析文本进行分词处理,分别得到第一分词集合和第二分词集合;
将所述第一分词集合和所述第二分词集合分别转化为第一特征向量集合和第二特征向量集合;
通过文本情绪分析模型中的遗忘门乘以所述第一特征向量集合,得到第一乘积;
通过所述文本情绪分析模型中的输入门乘以所述第二特征向量集合,得到第二乘积;
计算所述第一乘积与所述第二乘积的和,作为所述待分析文本的单元状态;
将所述待分析文本的单元状态作为变量应用于所述文本情绪分析模型中的输出门,输出所述待分析文本的情绪标识。
2.根据权利要求1所述的文本情绪分析方法,其特征在于,在所述获取待分析文本以及所述待分析文本的上下文文本的步骤之前,还包括:
获取样本文本、所述样本文本的样本上下文文本以及所述样本文本的情绪标识;
将所述样本文本和所述样本上下文文本作为输入,将所述样本文本的所述情绪标识作为输出,通过时间递归神经网络学习算法训练所述文本情绪分析模型。
3.根据权利要求2所述的文本情绪分析方法,其特征在于,所述获取所述样本文本的情绪标识的步骤,包括:
对于任一所述样本文本,获取多个主体对所述样本文本和对应的所述样本上下文文本的整体主观情绪标识;
在所述多个主体提供的多个所述整体主观情绪标识中选择数量最多的一种主观情绪标识,作为所述样本文本对应的所述情绪标识。
4.根据权利要求2所述的文本情绪分析方法,其特征在于,所述获取所述样本文本的情绪标识的步骤,包括:
对于任一所述样本文本,获取多个主体对所述样本文本和对应的所述样本上下文文本的整体主观情绪标识;
根据所述多个主体的置信度,计算选择任一种所述整体主观情绪标识的若干个主体的置信度和;
将所述置信度和最高的一种所述主观情绪标识设置为所述样本文本的情绪标识。
5.根据权利要求4所述的文本情绪分析方法,其特征在于,还包括:
根据所述样本文本的情绪标识,以及每个所述主体对所述样本文本的所述整体主观情绪标识,对每个所述主体的置信度进行修正,以根据所述多个主体的修正后置信度判断下一样本文本对应的情绪标识。
6.根据权利要求1至5中任一项所述的文本情绪分析方法,其特征在于,所述获取所述待分析文本的上下文文本的步骤,包括:
获取所述样本文本的发生时间前的第一预定时间间隔内的第一文本信息,作为所述上下文文本;或
获取所述样本文本的文本位置前的第一距离内的第二文本信息,作为所述上下文文本。
7.根据权利要求1至6中任一项所述的文本情绪分析方法,其特征在于,在所述对所述上下文文本和所述待分析文本进行分词处理的步骤之前,还包括:
根据所述待分析文本和所述上下文文本的语言类型,确定对应的中间语言转换关系;
根据所述中间语言转换关系,将所述待分析文本和所述上下文文本分别转换为用中间语言描述的转换后待分析文本和转换后上下文文本,以对所述转换后待分析文本和所述转换后上下文文本进行分词处理。
8.一种文本情绪分析装置,其特征在于,包括:
第一获取单元,用于获取待分析文本以及所述待分析文本的上下文文本,其中,所述待分析文本的发生时间晚于所述上下文文本的发生时间;
分词处理单元,用于对所述上下文文本和所述待分析文本进行分词处理,分别得到第一分词集合和第二分词集合;
向量转换单元,用于将所述第一分词集合和所述第二分词集合分别转化为第一特征向量集合和第二特征向量集合;
遗忘门处理单元,用于通过文本情绪分析模型中的遗忘门乘以所述第一特征向量集合,得到第一乘积;
输入门处理单元,用于通过所述文本情绪分析模型中的输入门乘以所述第二特征向量集合,得到第二乘积;
单元状态计算单元,用于计算所述第一乘积与所述第二乘积的和,作为所述待分析文本的单元状态;
输出门计算单元,用于将所述待分析文本的单元状态作为变量应用于所述文本情绪分析模型中的输出门,输出所述待分析文本的情绪标识。
9.一种电子设备,其特征在于,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行上述权利要求1至7中任一项所述的方法。
10.一种非暂态存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1至7中任一项所述的方法流程。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540391.9A CN110427454B (zh) | 2019-06-21 | 2019-06-21 | 文本情绪分析方法及装置、电子设备和非暂态存储介质 |
PCT/CN2019/109994 WO2020252982A1 (zh) | 2019-06-21 | 2019-10-08 | 文本情绪分析方法及装置、电子设备和计算机非易失性可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540391.9A CN110427454B (zh) | 2019-06-21 | 2019-06-21 | 文本情绪分析方法及装置、电子设备和非暂态存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427454A true CN110427454A (zh) | 2019-11-08 |
CN110427454B CN110427454B (zh) | 2024-03-15 |
Family
ID=68408500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910540391.9A Active CN110427454B (zh) | 2019-06-21 | 2019-06-21 | 文本情绪分析方法及装置、电子设备和非暂态存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110427454B (zh) |
WO (1) | WO2020252982A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020252982A1 (zh) * | 2019-06-21 | 2020-12-24 | 平安科技(深圳)有限公司 | 文本情绪分析方法及装置、电子设备和计算机非易失性可读存储介质 |
CN113159921A (zh) * | 2021-04-23 | 2021-07-23 | 上海晓途网络科技有限公司 | 一种逾期预测方法、装置、电子设备及存储介质 |
CN113557521A (zh) * | 2020-02-21 | 2021-10-26 | 谷歌有限责任公司 | 使用机器学习从动画媒体内容项目提取时间信息的系统和方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733525A (zh) * | 2021-01-18 | 2021-04-30 | 北京奇艺世纪科技有限公司 | 一种对象情感分析方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536756A (zh) * | 2018-03-16 | 2018-09-14 | 苏州大学 | 基于双语信息的情绪分类方法及系统 |
US20180308487A1 (en) * | 2017-04-21 | 2018-10-25 | Go-Vivace Inc. | Dialogue System Incorporating Unique Speech to Text Conversion Method for Meaningful Dialogue Response |
CN109299267A (zh) * | 2018-10-16 | 2019-02-01 | 山西大学 | 一种文本对话的情绪识别与预测方法 |
CN109726745A (zh) * | 2018-12-19 | 2019-05-07 | 北京理工大学 | 一种融入描述知识的基于目标的情感分类方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385858B (zh) * | 2010-08-31 | 2013-06-05 | 国际商业机器公司 | 情感语音合成方法和系统 |
CN107491435B (zh) * | 2017-08-14 | 2021-02-26 | 苏州狗尾草智能科技有限公司 | 基于计算机自动识别用户情感的方法及装置 |
CN107967258B (zh) * | 2017-11-23 | 2021-09-17 | 广州艾媒数聚信息咨询股份有限公司 | 文本信息的情感分析方法和系统 |
CN109902177B (zh) * | 2019-02-28 | 2022-11-29 | 上海理工大学 | 基于双通道卷积记忆神经网络的文本情感分析方法 |
CN110427454B (zh) * | 2019-06-21 | 2024-03-15 | 平安科技(深圳)有限公司 | 文本情绪分析方法及装置、电子设备和非暂态存储介质 |
-
2019
- 2019-06-21 CN CN201910540391.9A patent/CN110427454B/zh active Active
- 2019-10-08 WO PCT/CN2019/109994 patent/WO2020252982A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180308487A1 (en) * | 2017-04-21 | 2018-10-25 | Go-Vivace Inc. | Dialogue System Incorporating Unique Speech to Text Conversion Method for Meaningful Dialogue Response |
CN108536756A (zh) * | 2018-03-16 | 2018-09-14 | 苏州大学 | 基于双语信息的情绪分类方法及系统 |
CN109299267A (zh) * | 2018-10-16 | 2019-02-01 | 山西大学 | 一种文本对话的情绪识别与预测方法 |
CN109726745A (zh) * | 2018-12-19 | 2019-05-07 | 北京理工大学 | 一种融入描述知识的基于目标的情感分类方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020252982A1 (zh) * | 2019-06-21 | 2020-12-24 | 平安科技(深圳)有限公司 | 文本情绪分析方法及装置、电子设备和计算机非易失性可读存储介质 |
CN113557521A (zh) * | 2020-02-21 | 2021-10-26 | 谷歌有限责任公司 | 使用机器学习从动画媒体内容项目提取时间信息的系统和方法 |
CN113159921A (zh) * | 2021-04-23 | 2021-07-23 | 上海晓途网络科技有限公司 | 一种逾期预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110427454B (zh) | 2024-03-15 |
WO2020252982A1 (zh) | 2020-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728997B (zh) | 一种基于情景感知的多模态抑郁症检测系统 | |
CN110427454A (zh) | 文本情绪分析方法及装置、电子设备和非暂态存储介质 | |
CN111738016B (zh) | 多意图识别方法及相关设备 | |
CN109271493A (zh) | 一种语言文本处理方法、装置和存储介质 | |
Sun et al. | Emotional human-machine conversation generation based on long short-term memory | |
CN111428010A (zh) | 人机智能问答的方法和装置 | |
US11636272B2 (en) | Hybrid natural language understanding | |
CN113297366B (zh) | 多轮对话的情绪识别模型训练方法、装置、设备及介质 | |
Hung et al. | Towards a method for evaluating naturalness in conversational dialog systems | |
Chamishka et al. | A voice-based real-time emotion detection technique using recurrent neural network empowered feature modelling | |
Chi et al. | Speaker role contextual modeling for language understanding and dialogue policy learning | |
Windiatmoko et al. | Developing facebook chatbot based on deep learning using rasa framework for university enquiries | |
CN116561265A (zh) | 个性化对话生成方法和模型训练方法以及设备 | |
CN115687565A (zh) | 文本生成方法及装置 | |
CN113486174B (zh) | 模型训练、阅读理解方法、装置、电子设备及存储介质 | |
WO2020199590A1 (zh) | 情绪检测分析方法及相关装置 | |
CN111680514B (zh) | 信息处理和模型训练方法、装置、设备及存储介质 | |
CN114330285B (zh) | 语料处理方法、装置、电子设备及计算机可读存储介质 | |
Ireland et al. | Sentimental analysis for AIML-based e-health conversational agents | |
CN113378826B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN111310847B (zh) | 训练要素分类模型的方法和装置 | |
Jiang et al. | CAN-GRU: A hierarchical model for emotion recognition in dialogue | |
CN114186741A (zh) | 一种对象流失预测方法、装置、电子设备及存储介质 | |
Windiatmoko et al. | Mi-Botway: A deep learning-based intelligent university enquiries chatbot | |
CN114399821B (zh) | 策略推荐方法、装置、存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |