CN111723198B - 一种文本情绪识别方法、装置及存储介质 - Google Patents
一种文本情绪识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111723198B CN111723198B CN201910204983.3A CN201910204983A CN111723198B CN 111723198 B CN111723198 B CN 111723198B CN 201910204983 A CN201910204983 A CN 201910204983A CN 111723198 B CN111723198 B CN 111723198B
- Authority
- CN
- China
- Prior art keywords
- loss function
- text
- text data
- adjusted
- vector
- 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.)
- Active
Links
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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种文本情绪识别方法、装置及存储介质，该方法包括：当接收到第一文本数据和第二文本数据时，基于预设卷积神经网络，对第一文本数据和第二文本数据进行处理，得到第一文本数据对应的第一特征表示和第二文本数据对应的第二特征表示；分别确定第一特征表示对应的第一损失函数和第二特征表示对应的第二损失函数；利用第一损失函数和第二损失函数，对第一分类模型进行优化；第一分类模型包括预设卷积神经网络和第一损失函数；利用优化后的第一分类模型获取待识别文本对应的情绪类别，并根据情绪类别提供对应的响应文本。
Description
技术领域
本发明涉及电子应用领域，尤其涉及一种文本情绪识别方法、装置及存储介质。
背景技术
在电商领域，随着越来越多的消费者在网上购物，进而每天都会有大量的用户与客服机器人进行交流，比如售前、售后咨询等。而在高速发展的互联网时代，电商平台希望能够为用户提供个性化和高质量的服务，在服务过程中，用户的情感分析成为一个重要的关注方向。通过识别用户的情绪，能对用户的问题是否成功解决进行识别或辅助识别，以便及时对情绪不好的用户进行安抚措施，保证用户购物体验，提高用户的满意度。
目前的分类标准包括：基于正负二元的情绪分类、或者加上中性的三元的情绪分类等，这样的分析结果仅体现在情感的倾向性，并没有考虑情感的多元性及其强度。人类情感是比较复杂的，不单单是积极、消极，更应细化为开心、难过、恐惧等情感。对情感分类模型的训练方法可分为三种：一种是基于情感词典及语法规则的传统做法，第二种是基于机器学习的方法，比如朴素贝叶斯、支持向量机等模型，第三种是基于深度神经网络网络的方法，比如长短时记忆网络(LSTM，Long Short-Term Memory)和卷积神经网络(CNN，Convoluti onal Neural Network)等。
然而，当训练数据很小时，现有的对情感分类模型的训练方法会导致训练模型不准确，进而导致识别情绪类别的准确性低。
发明内容
本发明实施例提供一种文本情绪识别方法、装置及存储介质，能够提高识别情绪类别的准确性。
本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供一种文本情绪识别方法，所述方法包括：
当接收到第一文本数据和第二文本数据时，基于预设卷积神经网络，对所述第一文本数据和第二文本数据进行处理，得到所述第一文本数据对应的第一特征表示和所述第二文本数据对应的第二特征表示，所述第一文本数据为按照第一分类标准对预设类别进行分类的数据，所述第二文本数据为按照第二分类标准对所述预设类别进行分类的数据；
分别确定所述第一特征表示对应的第一损失函数和所述第二特征表示对应的第二损失函数；
利用所述第一损失函数和第二损失函数，对第一分类模型进行优化，所述第一分类模型包括所述预设卷积神经网络和所述第一损失函数；
利用优化后的第一分类模型获取待识别文本对应的情绪类别，并根据所述情绪类别提供对应的响应文本。
在上述方法中，所述基于预设卷积神经网络，对所述第一文本数据和第二文本数据进行处理，得到所述第一文本数据对应的第一特征表示和所述第二文本数据对应的第二特征表示，包括：
将第一文本数据和第二文本数据表示成预设维度的第一向量和第二向量；
将所述第一向量和所述第二向量输入所述预设卷积神经网络中，得到所述第一特征表示和所述第二特征表示。
在上述方法中，所述利用所述第一损失函数和第二损失函数，对第一分类模型进行优化，包括：
当判断出所述第一损失函数和所述第二损失函数中的目标损失函数大于预设阈值时，将所述目标损失函数对应的目标向量输入所述预设卷积神经网络中，所述目标向量为第一向量和第二向量中所述目标损失函数对应的向量；
利用所述目标向量调整所述预设卷积神经网络的相关参数，以实现对所述第一分类模型的优化。
在上述方法中，所述利用所述第一损失函数和第二损失函数，对第一分类模型进行优化之后，所述方法还包括：
当接收到待识别文本时，将所述待识别文本输入所述预设卷积神经网络中，得到待分类特征表示；
将所述待分类特征表示输入所述第一损失函数中，得到待分类损失函数；
对所述待分类损失函数进行归一化，并根据归一化结果确定出所述待识别文本对应的情绪类别。
在上述方法中，所述利用所述目标向量调整所述预设卷积神经网络的相关参数，以实现对所述第一分类模型的优化，包括：
利用所述目标向量调整所述预设卷积神经网络的相关参数，得到调整后的预设卷积神经网络；
将所述第一向量和所述第二向量输入所述调整后的预设卷积神经网络中，得到调整后的第一特征表示和第二特征表示；
分别确定所述调整后的第一特征表示对应的调整后的第一损失函数和所述调整后的第二特征表示对应的调整后的第二损失函数；
当所述调整后的第一损失函数和所述调整后的第二损失函数均小于所述预设阈值时，完成对所述第一分类模型的优化；
当所述调整后的第一损失函数和所述调整后的第二损失函数大于所述预设阈值时，重新对所述相关参数进行调整，直至判断出所述调整后的第一损失函数和所述调整后的第二损失函数均小于所述预设阈值时，完成对所述第一分类模型的优化。
在上述方法中，所述第一文本数据和所述第二文本数据属于同一应用领域。
第二方面，本发明实施例提供一种文本情绪识别装置，所述文本情绪识别装置包括：处理器、存储器和通信总线，所述处理器用于执行存储器中存储的运行程序，以实现以下步骤：
当接收到第一文本数据和第二文本数据时，基于预设卷积神经网络，对所述第一文本数据和第二文本数据进行处理，得到所述第一文本数据对应的第一特征表示和所述第二文本数据对应的第二特征表示，所述第一文本数据为按照第一分类标准对预设类别进行分类的数据，所述第二文本数据为按照第二分类标准对所述预设类别进行分类的数据；分别确定所述第一特征表示对应的第一损失函数和所述第二特征表示对应的第二损失函数；利用所述第一损失函数和第二损失函数，对第一分类模型进行优化，所述第一分类模型包括所述预设卷积神经网络和所述第一损失函数；利用优化后的第一分类模型获取待识别文本对应的情绪类别，并根据所述情绪类别提供对应的响应文本。
在上述装置中，所述处理器，还用于将第一文本数据和第二文本数据表示成预设维度的第一向量和第二向量；将所述第一向量和所述第二向量输入所述预设卷积神经网络中，得到所述第一特征表示和所述第二特征表示。
在上述装置中，所述处理器，还用于当判断出所述第一损失函数和所述第二损失函数中的目标损失函数大于预设阈值时，将所述目标损失函数对应的目标向量输入所述预设卷积神经网络中，所述目标向量为第一向量和第二向量中所述目标损失函数对应的向量；利用所述目标向量调整所述预设卷积神经网络的相关参数，以实现对所述第一分类模型的优化。
在上述装置中，所述处理器，还用于当接收到待识别文本时，将所述待识别文本输入所述预设卷积神经网络中，得到待分类特征表示；将所述待分类特征表示输入所述第一损失函数中，得到待分类损失函数；对所述待分类损失函数进行归一化，并根据归一化结果确定出所述待识别文本对应的情绪类别。
在上述装置中，所述处理器，还用于利用所述目标向量调整所述预设卷积神经网络的相关参数，得到调整后的预设卷积神经网络；将所述第一向量和所述第二向量输入所述调整后的预设卷积神经网络中，得到调整后的第一特征表示和第二特征表示；分别确定所述调整后的第一特征表示对应的调整后的第一损失函数和所述调整后的第二特征表示对应的调整后的第二损失函数；当所述调整后的第一损失函数和所述调整后的第二损失函数均小于所述预设阈值时，完成对所述第一分类模型的优化；当所述调整后的第一损失函数和所述调整后的第二损失函数大于所述预设阈值时，重新对所述相关参数进行调整，直至判断出所述调整后的第一损失函数和所述调整后的第二损失函数均小于所述预设阈值时，完成对所述第一分类模型的优化。
在上述装置中，所述第一文本数据和所述第二文本数据属于同一应用领域。
第三方面，本发明实施例提供一种存储介质，其上存储有计算机程序，应用于文本情绪识别装置，该计算机程序被处理器执行时实现如上述任一项所述的文本情绪识别方法。
应用本发明实施例实现以下有益效果：
因为采用一种文本情绪识别方法、装置及存储介质，该方法可以包括：当接收到第一文本数据和第二文本数据时，基于预设卷积神经网络，对第一文本数据和第二文本数据进行处理，得到第一文本数据对应的第一特征表示和第二文本数据对应的第二特征表示，第一文本数据为按照第一分类标准对预设类别进行分类的数据，第二文本数据为按照第二分类标准对预设类别进行分类的数据；分别确定第一特征表示对应的第一损失函数和第二特征表示对应的第二损失函数；利用第一损失函数和第二损失函数，对第一分类模型进行优化；第一分类模型包括预设卷积神经网络和第一损失函数；利用优化后的第一分类模型获取待识别文本对应的情绪类别，并根据情绪类别提供对应的响应文本。所以，文本情绪识别装置利用第一文本数据和第二文本数据联合训练第一分类标准对应的第一分类模型，当第一文本数据的数据量很小时，通过第二文本数据增加了训练的数据量，提高了训练模型的准确性，进而提高了识别情绪类别的准确性。
附图说明
图1是本发明实施例提供的一种文本情绪识别方法的流程图一；
图2是本发明实施例提供的一种文本情绪识别方法的流程图二；
图3是本发明实施例提供的一种示例性的文本情绪识别方法的流程框图；
图4是本发明实施例提供的一种文本情绪识别装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做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。
实施例一
本发明实施例提供了一种文本情绪识别方法，如图1所示，该方法可以包括：
S101、当接收到第一文本数据和第二文本数据时，基于预设卷积神经网络，对第一文本数据和第二文本数据进行处理，得到第一文本数据对应的第一特征表示和第二文本数据对应的第二特征表示，第一文本数据为按照第一分类标准对预设类别进行分类的数据，第二文本数据为按照第二分类标准对预设类别进行分类的数据。
本发明实施例提供的一种文本情绪识别方法适用于基于多任务辅助学习分类模型的场景下。
本发明实施例中，文本情绪识别装置接收到用于训练第一分类模型的数据之后，文本情绪识别装置从接收到的数据中查找该数据的分类标准类型，并根据不同的分类标准类型将接收到的数据划分成第一文本数据或者第二文本数据，其中，第一文本数据按照第一分类标准对预设类别进行分类，第二文本数据按照第二分类标准对预设类别进行分类，之后，文本情绪识别装置将第一文本数据和第二文本数据组成新的输入数据，并将该输入数据输入预设卷积神经网络中，得到第一文本数据对应的第一特征表示以及第二文本数据对应的第二特征表示。
需要说明的是，由于第二文本数据是辅助第一文本数据对第一分类模型进行优化的，故第一文本数据和第二文本数据属于同一应用领域，其中，应用领域包括：新闻、即时聊天等，具体的根据实际情况进行选择，本发明实施例不做具体的限定。
本发明实施例中，预设类别为情绪，第一分类标准为7分类，第二分类标准为3分类，示例性的，7分类为7种情绪，包括高兴、生气、失落、焦虑、迷茫、担忧和其他；3分类为3种情绪，包括高兴、生气和其他，具体的根据实际情况进行选择，本发明实施例不做具体的限定。
需要说明的是，由于7分类标注的数据较少，单使用7分类数据训练分类模型，会导致分类模型的分类结果不准确，由于3分类标注的数据较多，因此，联合3分类和7分类，共同训练7分类的分类模型，能够提高分类结果的准确性。
本发明实施例中，文本情绪识别装置基于预设卷积神经网络，对第一文本数据和第二文本数据进行处理，得到第一文本数据对应的第一特征表示和第二文本数据对应的第二特征表示，具体过程为：文本情绪识别装置将第一文本数据和第二文本数据表示成预设维度的第一向量和第二向量；之后，文本情绪识别装置将第一向量和第二向量输入预设卷积神经网络中，得到第一特征表示和第二特征表示。
本发明实施例中，文本情绪识别装置将第一文本数据和第二文本数据输入embedding层，利用词嵌入方法，将第一文本数据和第二文本数据表示成固定维度(预设维度)的第一向量和第二向量。
本发明实施例中，文本情绪识别装置将第一向量和第二向量输入共享层，其中，共享层的结构是基于CNN网络而设计的，卷积神经网络包括卷积层、池化层和全连接层，文本情绪识别装置利用CNN网络对第一向量和第二向量进行处理，得到第一特征表示和第二特征表示。
S102、分别确定第一特征表示对应的第一损失函数和第二特征表示对应的第二损失函数。
当文本情绪识别装置得到第一文本数据对应的第一特征表示和第二特征对应的第二特征表示之后，文本情绪识别装置分别确定第一特征表示对应的第一损失函数和第二特征表示对应的第二损失函数。
本发明实施例中，文本情绪识别装置应用两个通道，分别计算7分类的Lo ss(第一损失函数)和3分类的Loss(第二损失函数)。
S103、利用第一损失函数和第二损失函数，对第一分类模型进行优化，第一分类模型包括预设卷积神经网络和第一损失函数。
当文本情绪识别装置分别确定第一特征表示对应的第一损失函数和第二特征表示对应的第二损失函数之后，文本情绪识别装置利用第一损失函数和第二损失函数，对第一分类模型进行优化。
本发明实施例中，文本情绪识别装置将第一损失函数和第二损失函数与预设阈值进行比较，当文本情绪识别装置判断出第一损失函数和第二损失函数中的目标损失函数大于预设阈值时，文本情绪识别装置将目标损失函数对应的目标向量输入预设卷积神经网络中，其中，目标向量为第一向量和第二向量中目标损失函数对应的向量；利用目标向量调整预设卷积神经网络的相关参数，以实现对第一分类模型的优化，之后，文本情绪识别装置输入第三分类数据的概率，第三分类数据为第一文本数据与第二文本数据之和，其中，第三分类数据的概率由第一文本数据的概率和第二文本数据的概率组成。对于第一分类标准而言，只关注第一文本数据的分类结果，其他三位为0；对于第二文本数据的分类结果，只关注第二文本数据的分类结果，其他七位为0。
以7分类和3分类为例，文本情绪识别装置输出10分类的概率，其中，10分类的概率有7分类概率和3分类概率组成，共占10位；对于7分类结果来说，只关注其中7个标签的预测概率值，其他三个为0；对于3分类结果来说，只关注3个标签的概率值，其他7个为0。
具体的，文本情绪识别装置利用目标向量调整预设卷积神经网络的相关参数，得到调整后的预设卷积神经网络，文本情绪识别装置将第一向量和第二向量输入调整后的预设卷积神经网络中，得到调整后的第一特征表示和第二特征表示；之后，文本情绪识别装置分别确定调整后的第一特征表示对应的调整后的第一损失函数和调整后的第二特征表示对应的调整后的第二损失函数；并将调整后的第一损失函数和调整后的第二损失函数与预设阈值进行比较；当文本情绪识别装置判断出调整后的第一损失函数和调整后的第二损失函数均小于预设阈值时，完成对第一分类模型的优化；当文本情绪识别装置判断出调整后的第一损失函数和调整后的第二损失函数大于预设阈值时，重新对相关参数进行调整，直至文本情绪识别装置判断出调整后的第一损失函数和调整后的第二损失函数均小于预设阈值时，完成对第一分类模型的优化。
S104、利用优化后的第一分类模型获取待识别文本对应的情绪类别，并根据情绪类别提供对应的响应文本。
当文本情绪识别装置利用第一损失函数和第二损失函数对第一分类模型进行优化之后，文本情绪识别装置利用优化有的第一分类模型获取待识别文本对应的情绪类别，并根据情绪类别提供对应的响应文本。
本发明实施例中，文本情绪识别装置在接收到待识别文本时，将待识别文本输入预设卷积神经网络中，得到待分类特征表示；之后，文本情绪识别装置将待分类特征表示输入第一损失函数中，得到待分类损失函数；对待分类损失函数进行归一化，并根据归一化结果确定出待识别文本对应的情绪类别，之后从情绪类别和响应文本的对应关系中，查找待识别文本对应的情绪类别对应的响应文本，此时，文本情绪识别装置根据待识别文本的情绪类别个性化的回复响应文本。
本发明实施例中，第一分类模型包括预设卷积神经网络和第一损失函数。
可以理解的是，文本情绪识别装置利用第一文本数据和第二文本数据联合训练第一分类标准对应的第一分类模型，当第一文本数据的数据量很小时，通过第二文本数据增加了训练的数据量，提高了训练模型的准确性，进而提高了识别情绪类别的准确性。
实施例二
本发明实施例提供一种文本情绪识别方法，如图2所示，该方法可以包括：
S201、当文本情绪识别装置接收到第一文本数据和第二文本数据时，文本情绪识别装置将第一文本数据和第二文本数据表示成预设维度的第一向量和第二向量；第一文本数据为按照第一分类标准对预设类别进行分类的数据，第二文本数据为按照第二分类标准对预设类别进行分类的数据。
本发明实施例提供的一种文本情绪识别方法适用于基于多任务辅助学习分类模型的场景下。
本发明实施例中，文本情绪识别装置接收到用于训练第一分类模型的数据之后，文本情绪识别装置从接收到的数据中查找该数据的分类标准类型，并根据不同的分类标准类型将接收到的数据划分成第一文本数据或者第二文本数据，其中，第一文本数据按照第一分类标准对预设类别进行分类，第二文本数据按照第二分类标准对预设类别进行分类。
本发明实施例中，文本情绪识别装置将第一文本数据和第二文本数据输入embedding层，利用词嵌入方法，将第一文本数据和第二文本数据表示成固定维度(预设维度)的第一向量和第二向量。
本发明实施例中，预设类别为情绪，第一分类标准为7分类，第二分类标准为3分类，示例性的，7分类为7种情绪，包括高兴、生气、失落、焦虑、迷茫、担忧和其他；3分类为3种情绪，包括高兴、生气和其他，具体的根据实际情况进行选择，本发明实施例不做具体的限定。
示例性的，第一分类标准对应的数据示例及标签含义如表1所示。
表1第一分类标准对应的数据示例及标签含义
需要说明的是，由于7分类标注的数据较少，单使用7分类数据训练分类模型，会导致分类模型的分类结果不准确，由于3分类标注的数据较多，因此，联合3分类和7分类，共同训练7分类的分类模型，能够提高分类结果的准确性。
示例性的，7分类谁数据为6396条，3分类数据为65635条，表2和表3分别为7分类标签和3分类标签对应的数量和占比。
表2 7分类标签对应的数量和占比
| 标签 | 数量 | 占比(％) |
| 中性 | 2673 | 41.79 |
| 迷茫惊讶 | 1081 | 16.90 |
| 着急焦虑 | 1733 | 27.10 |
| 生气厌恶 | 715 | 11.18 |
| 开心感谢 | 132 | 2.06 |
| 悲伤失落 | 32 | 0.50 |
| 担忧恐惧 | 30 | 0.47 |
表3 3分类标签对应的数量和占比
| 标签 | 数量 | 占比(％) |
| 消极 | 24592 | 37.47 |
| 高兴 | 1789 | 59.81 |
| 其他 | 39254 | 2.73 |
S202、文本情绪识别装置将第一向量和第二向量输入预设卷积神经网络中，得到第一特征表示和第二特征表示。
当文本情绪识别装置将第一文本数据和第二文本数据表示成预设维度的第一向量和第二向量之后，文本情绪识别装置将第一向量和第二向量输入预设卷积神经网络中，得到第一特征表示和第二特征表示。
本发明实施例中，文本情绪识别装置将第一向量和第二向量输入共享层，其中，共享层的结构是基于CNN网络而设计的，CNN网络包括卷积层、池化层和全连接层，文本情绪识别装置利用CNN网络对第一向量和第二向量进行处理，得到第一特征表示和第二特征表示。
S203、文本情绪识别装置分别确定第一特征表示对应的第一损失函数和第二特征表示对应的第二损失函数。
当文本情绪识别装置得到第一特征表示和第二特征表示之后，文本情绪识别装置分别确定第一特征表示对应的第一损失函数和第二特征表示对应的第二损失函数。
本发明实施例中，文本情绪识别装置应用两个通道，分别计算7分类的Lo ss(第一损失函数)和3分类的Loss(第二损失函数)。
S204、当文本情绪识别装置判断出第一损失函数和第二损失函数中的目标损失函数大于预设阈值时，文本情绪识别装置将目标损失函数对应的目标向量输入预设卷积神经网络中，目标向量为第一向量和第二向量中目标损失函数对应的向量。
当文本情绪识别装置分别确定第一损失函数和第二损失函数之后，文本情绪识别装置判断第一损失函数和第二损失函数是否大于预设阈值，当文本情绪识别装置判断出第一损失函数和第二损失函数中的目标损失函数大于预设阈值时，文本情绪识别装置将目标损失函数对应的目标向量输入预设卷积神经网络中。
本发明实施例中，文本情绪识别装置将第一损失函数和第二损失函数与预设阈值进行比较，当文本情绪识别装置判断出第一损失函数和第二损失函数中的目标损失函数大于预设阈值时，表征第一分类模型中的CNN网络需要优化，此时，文本情绪识别装置从第一向量和第二向量中，查找目标损失函数对应的目标向量，并将目标向量输入预设卷积神经网络中。
S205、文本情绪识别装置利用目标向量调整预设卷积神经网络的相关参数，以实现对第一分类模型的优化，第一分类模型包括预设卷积神经网络和第一损失函数。
当文本情绪识别装置将目标损失函数对应的目标向量输入预设卷积神经网络之后，文本情绪识别装置利用目标向量调整预设卷积神经网络的相关参数，以实现对第一分类模型的优化，其中，第一分类模型包括预设卷积神经网络和第一损失函数。
本发明实施例中，文本情绪识别装置利用目标向量调整预设卷积神经网络的相关参数，得到调整后的预设卷积神经网络；之后，文本情绪识别装置需对调整后的预设卷积神经网络进行测试；具体的，文本情绪识别装置将第一向量和第二向量输入调整后的预设卷积神经网络中，得到调整后的第一特征表示和第二特征表示；之后，文本情绪识别装置分别确定调整后的第一特征表示对应的调整后的第一损失函数和调整后的第二特征表示对应的调整后的第二损失函数；当文本情绪识别装置判断出调整后的第一损失函数和调整后的第二损失函数均小于预设阈值时，表征测试通过，文本情绪识别装置完成对第一分类模型的优化；当文本情绪识别装置判断出调整后的第一损失函数和调整后的第二损失函数大于预设阈值时，表征测试未通过，此时，文本情绪识别装置重新对相关参数进行调整，直至判断出调整后的第一损失函数和调整后的第二损失函数均小于预设阈值时，文本情绪识别装置完成对第一分类模型的优化。
示例性的，图3为文本情绪识别装置进行分类训练的流程框图，以7分类数据和3分类数据训练7分类模型为例，首先，文本情绪识别装置接收到输入数据为7分类数据和3分类数据，之后，文本情绪识别装置将7分类数据和3分类数据输入Embedding层，通过词嵌入方法，将7分类数据和3分类数据表示成固定维度的向量，并将固定维度的向量输入CNN网络中，通过卷积层、最大池化层和全连接层，得到7分类数据和3分类数据的特征表示，文本情绪识别装置应用两个通道，分别计算7分类loss和3分类loss，进而利用7分类loss和3分类loss优化CNN网络，最后，文本情绪识别装置输出模型预测10分类概率，由7分类的概率和3分类的概率组成。
为了验证该文本情绪识别方法的有效性，进行两组实验。第一组实验为单任务学习，仅使用7分类数据进行分类训练；第二组实验为多任务学习(本发明提出的方法)，使用7分类数据和3分类数据进行联合分类训练，基于准确率、召回率和F1这三个评判指标得到表4的两组实验结果。
表4两组实验数据基于评判标准的实验结果
S206、当文本情绪识别装置接收到待识别文本时，文本情绪识别装置将待识别文本输入预设卷积神经网络中，得到待分类特征表示。
当文本情绪识别装置训练完成第一分类模型之后，文本情绪识别装置就要在接收到待识别文本之后，利用第一分类模型对待识别文本进行相应的分类过程了，具体的，文本情绪识别装置将待识别文本输入预设卷积神经网络中，得到待分类特征表示。
本发明实施例中，文本情绪识别装置在训练出第一分类模型之后，文本情绪识别装置就利用第一分类模型进行具体的数据分类，其中，第一分类模型包括预设卷积神经网络和第一损失函数，文本情绪识别装置在接收到待识别文本时，文本情绪识别装置先将待识别文本输入预设卷积神经网络中，得到待分类特征表示。
S207、文本情绪识别装置将待分类特征表示输入第一损失函数中，得到待分类损失函数。
当文本情绪识别装置将待识别文本输入预设卷积神经网络中，得到待分类特征表示之后，文本情绪识别装置将待分类特征表示输入第一损失函数中，得到待分类损失函数。
S208、文本情绪识别装置对待分类损失函数进行归一化，并根据归一化结果确定出待识别文本对应的情绪类别，并根据情绪类别提供对应的响应文本。
当文本情绪识别装置将待分类特征表示输入第一损失函数中，得到待分类损失函数之后，文本情绪识别装置对待分类损失函数进行归一化，并根据归一化结果确定出待识别文本对应的情绪类别，并根据情绪类别提供对应的响应文本。
本发明实施例中，文本情绪识别装置对待分类损失函数进行归一化，得到归一化结果，并根据归一化结果将待识别文本划分至第一分类标准中，此时，第一分类标准即为待识别文本对应的情绪类别，之后，从情绪类别和响应文本的对应关系中，查找待识别文本对应的情绪类别对应的响应文本，此时，文本情绪识别装置根据待识别文本的情绪类别个性化的回复响应文本。
可选的，文本情绪识别装置得到第一分类标准对应的各个分类类别对应的归一化结果，之后，文本情绪识别装置将该归一化结果进行比较，并将待识别文本划分中归一化结果最大的分类类别中，此时，完成了将待识别文本划分至第一分类标准中的过程。
在实际应用中，文本情绪识别装置利用7分类文本数据和3分类文本数据训练7分类模型，其中，7分类文本数据为包括7种情绪类别的文本数据，3分类文本数据为包括3种情绪类别的文本数据，7分类模型包括CNN网络和7分类损失函数，当文本情绪识别装置在聊天界面接收到输入的待识别文本之后，文本情绪识别装置利用7分类模型对待识别文本进行情绪识别，得到待识别文本对应的情绪类型，之后，文本情绪识别装置确定出情绪类型对应的响应文本，并将该响应文本显示在聊天界面上，用以自动回复待识别文本。
可以理解的是，文本情绪识别装置利用第一文本数据和第二文本数据联合训练第一分类标准对应的第一分类模型，当第一文本数据的数据量很小时，通过第二文本数据增加了训练的数据量，提高了训练模型的准确性，进而提高了识别情绪类别的准确性。
实施例三
图4为本发明实施例提出的文本情绪识别装置的组成结构示意图一，在实际应用中，基于实施例一和实施例二的同一发明构思下，如图4所示，本发明实施例的文本情绪识别装置1包括：处理器10、存储器11及通信总线12。在具体的实施例的过程中，上述处理器11可以为特定用途集成电路(ASIC，Ap plication Specific Integrated Circuit)、数字信号处理器(DSP，Digital Signal P rocessor)、数字信号处理终端(DSPD，Digital SignalProcessing Device)、可编程逻辑终端(PLD，Programmable Logic Device)、现场可编程门阵列(FPG A，Field Programmable Gate Array)、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器10功能的电子器件还可以为其它，本发明实施例不作具体限定。
在本发明的实施例中，上述条通信总线12用于实现处理器10和存储器11之间的连接通信；上述处理器10用于执行存储器11中存储的运行程序，以实现以下步骤：
一种文本情绪识别装置，其特征在于，所述文本情绪识别装置包括：处理器、存储器和通信总线，所述处理器用于执行存储器中存储的运行程序，以实现以下步骤：
当接收到第一文本数据和第二文本数据时，基于预设卷积神经网络，对所述第一文本数据和第二文本数据进行处理，得到所述第一文本数据对应的第一特征表示和所述第二文本数据对应的第二特征表示，所述第一文本数据为按照第一分类标准对预设类别进行分类的数据，所述第二文本数据为按照第二分类标准对所述预设类别进行分类的数据；分别确定所述第一特征表示对应的第一损失函数和所述第二特征表示对应的第二损失函数；利用所述第一损失函数和第二损失函数，对第一分类模型进行优化，所述第一分类模型包括所述预设卷积神经网络和所述第一损失函数；利用优化后的第一分类模型获取待识别文本对应的情绪类别，并根据所述情绪类别提供对应的响应文本。
在本发明实施例中，进一步地，所述处理器10，还用于将第一文本数据和第二文本数据表示成预设维度的第一向量和第二向量；将所述第一向量和所述第二向量输入所述预设卷积神经网络中，得到所述第一特征表示和所述第二特征表示。
在本发明实施例中，进一步地，所述处理器10，还用于当判断出所述第一损失函数和所述第二损失函数中的目标损失函数大于预设阈值时，将所述目标损失函数对应的目标向量输入所述预设卷积神经网络中，所述目标向量为第一向量和第二向量中所述目标损失函数对应的向量；利用所述目标向量调整所述预设卷积神经网络的相关参数，以实现对所述第一分类模型的优化。
在本发明实施例中，进一步地，所述处理器10，还用于当接收到待识别文本时，将所述待识别文本输入所述预设卷积神经网络中，得到待分类特征表示；将所述待分类特征表示输入所述第一损失函数中，得到待分类损失函数；对所述待分类损失函数进行归一化，并根据归一化结果确定出所述待识别文本对应的情绪类别。
在本发明实施例中，进一步地，所述处理器10，还用于利用所述目标向量调整所述预设卷积神经网络的相关参数，得到调整后的预设卷积神经网络；将所述第一向量和所述第二向量输入所述调整后的预设卷积神经网络中，得到调整后的第一特征表示和第二特征表示；分别确定所述调整后的第一特征表示对应的调整后的第一损失函数和所述调整后的第二特征表示对应的调整后的第二损失函数；当所述调整后的第一损失函数和所述调整后的第二损失函数均小于所述预设阈值时，完成对所述第一分类模型的优化；当所述调整后的第一损失函数和所述调整后的第二损失函数大于所述预设阈值时，重新对所述相关参数进行调整，直至判断出所述调整后的第一损失函数和所述调整后的第二损失函数均小于所述预设阈值时，完成对所述第一分类模型的优化。
在本发明实施例中，进一步地，所述第一文本数据和所述第二文本数据属于同一应用领域。
本发明实施例提供的一种文本情绪识别装置，当接收到第一文本数据和第二文本数据时，基于预设卷积神经网络，对第一文本数据和第二文本数据进行处理，得到第一文本数据对应的第一特征表示和第二文本数据对应的第二特征表示，第一文本数据为按照第一分类标准对预设类别进行分类的数据，第二文本数据为按照第二分类标准对预设类别进行分类的数据；分别确定第一特征表示对应的第一损失函数和第二特征表示对应的第二损失函数；利用第一损失函数和第二损失函数，对第一分类模型进行优化，第一分类模型包括预设卷积神经网络和第一损失函数；利用优化后的第一分类模型获取待识别文本对应的情绪类别，并根据情绪类别提供对应的响应文本。由此可见，本发明实施例提出的文本情绪识别装置，利用第一文本数据和第二文本数据联合训练第一分类标准对应的第一分类模型，当第一文本数据的数据量很小时，通过第二文本数据增加了训练的数据量，提高了训练模型的准确性，进而提高了识别情绪类别的准确性。
本发明实施例提供一种存储介质，上述存储介质存储有一个或者多个程序，上述一个或者多个程序可被一个或者多个处理器执行，应用于文本情绪识别装置中，该程序被处理器执行时实现如实施例一和实施例二所述的文本情绪识别方法。
以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。
Claims (13)
1.一种文本情绪识别方法，其特征在于，所述方法包括：
当接收到第一文本数据和第二文本数据时，基于预设卷积神经网络，对所述第一文本数据和第二文本数据进行处理，得到所述第一文本数据对应的第一特征表示和所述第二文本数据对应的第二特征表示，所述第一文本数据为按照第一分类标准对预设的情绪类别进行分类的数据，所述第二文本数据为按照第二分类标准对所述预设的情绪类别进行分类的数据，其中，所述第一分类标准与所述第二分类标准为不同的分类标准类型；
分别确定所述第一特征表示对应的第一损失函数和所述第二特征表示对应的第二损失函数；
利用所述第一损失函数和第二损失函数，对第一分类模型进行优化，所述第一分类模型包括所述预设卷积神经网络和所述第一损失函数；
利用优化后的第一分类模型获取待识别文本对应的情绪类别，并根据所述待识别文本对应的情绪类别提供对应的响应文本。
2.根据权利要求1所述的方法，其特征在于，所述基于预设卷积神经网络，对所述第一文本数据和第二文本数据进行处理，得到所述第一文本数据对应的第一特征表示和所述第二文本数据对应的第二特征表示，包括：
将第一文本数据和第二文本数据表示成预设维度的第一向量和第二向量；
将所述第一向量和所述第二向量输入所述预设卷积神经网络中，得到所述第一特征表示和所述第二特征表示。
3.根据权利要求1所述的方法，其特征在于，所述利用所述第一损失函数和第二损失函数，对第一分类模型进行优化，包括：
当判断出所述第一损失函数和所述第二损失函数中的目标损失函数大于预设阈值时，将所述目标损失函数对应的目标向量输入所述预设卷积神经网络中，所述目标向量为第一向量和第二向量中所述目标损失函数对应的向量；
利用所述目标向量调整所述预设卷积神经网络的相关参数，以实现对所述第一分类模型的优化。
4.根据权利要求1所述的方法，其特征在于，所述利用优化后的第一分类模型获取待识别文本对应的情绪类别，包括：
当接收到待识别文本时，将所述待识别文本输入所述预设卷积神经网络中，得到待分类特征表示；
将所述待分类特征表示输入所述第一损失函数中，得到待分类损失函数；
对所述待分类损失函数进行归一化，并根据归一化结果确定出所述待识别文本对应的情绪类别。
5.根据权利要求3所述的方法，其特征在于，所述利用所述目标向量调整所述预设卷积神经网络的相关参数，以实现对所述第一分类模型的优化，包括：
利用所述目标向量调整所述预设卷积神经网络的相关参数，得到调整后的预设卷积神经网络；
将所述第一向量和所述第二向量输入所述调整后的预设卷积神经网络中，得到调整后的第一特征表示和第二特征表示；
分别确定所述调整后的第一特征表示对应的调整后的第一损失函数和所述调整后的第二特征表示对应的调整后的第二损失函数；
当所述调整后的第一损失函数和所述调整后的第二损失函数均小于所述预设阈值时，完成对所述第一分类模型的优化；
当所述调整后的第一损失函数和所述调整后的第二损失函数大于所述预设阈值时，重新对所述相关参数进行调整，直至判断出所述调整后的第一损失函数和所述调整后的第二损失函数均小于所述预设阈值时，完成对所述第一分类模型的优化。
6.根据权利要求1或2任一项所述的方法，其特征在于，所述第一文本数据和所述第二文本数据属于同一应用领域。
7.一种文本情绪识别装置，其特征在于，所述文本情绪识别装置包括：处理器、存储器和通信总线，所述处理器用于执行存储器中存储的运行程序，以实现以下步骤：
当接收到第一文本数据和第二文本数据时，基于预设卷积神经网络，对所述第一文本数据和第二文本数据进行处理，得到所述第一文本数据对应的第一特征表示和所述第二文本数据对应的第二特征表示，所述第一文本数据为按照第一分类标准对预设的情绪类别进行分类的数据，所述第二文本数据为按照第二分类标准对所述预设的情绪类别进行分类的数据，其中，所述第一分类标准与所述第二分类标准为不同的分类标准类型；分别确定所述第一特征表示对应的第一损失函数和所述第二特征表示对应的第二损失函数；利用所述第一损失函数和第二损失函数，对第一分类模型进行优化，所述第一分类模型包括所述预设卷积神经网络和所述第一损失函数；利用优化后的第一分类模型获取待识别文本对应的情绪类别，并根据所述待识别文本对应的情绪类别提供对应的响应文本。
8.根据权利要求7所述的装置，其特征在于，
所述处理器，还用于将第一文本数据和第二文本数据表示成预设维度的第一向量和第二向量；将所述第一向量和所述第二向量输入所述预设卷积神经网络中，得到所述第一特征表示和所述第二特征表示。
9.根据权利要求7所述的装置，其特征在于，
所述处理器，还用于当判断出所述第一损失函数和所述第二损失函数中的目标损失函数大于预设阈值时，将所述目标损失函数对应的目标向量输入所述预设卷积神经网络中，所述目标向量为第一向量和第二向量中所述目标损失函数对应的向量；利用所述目标向量调整所述预设卷积神经网络的相关参数，以实现对所述第一分类模型的优化。
10.根据权利要求7所述的装置，其特征在于，
所述处理器，还用于当接收到待识别文本时，将所述待识别文本输入所述预设卷积神经网络中，得到待分类特征表示；将所述待分类特征表示输入所述第一损失函数中，得到待分类损失函数；对所述待分类损失函数进行归一化，并根据归一化结果确定出所述待识别文本对应的情绪类别。
11.根据权利要求9所述的装置，其特征在于，
所述处理器，还用于利用所述目标向量调整所述预设卷积神经网络的相关参数，得到调整后的预设卷积神经网络；将所述第一向量和所述第二向量输入所述调整后的预设卷积神经网络中，得到调整后的第一特征表示和第二特征表示；分别确定所述调整后的第一特征表示对应的调整后的第一损失函数和所述调整后的第二特征表示对应的调整后的第二损失函数；当所述调整后的第一损失函数和所述调整后的第二损失函数均小于所述预设阈值时，完成对所述第一分类模型的优化；当所述调整后的第一损失函数和所述调整后的第二损失函数大于所述预设阈值时，重新对所述相关参数进行调整，直至判断出所述调整后的第一损失函数和所述调整后的第二损失函数均小于所述预设阈值时，完成对所述第一分类模型的优化。
12.根据权利要求9或10任一项所述的装置，其特征在于，所述第一文本数据和所述第二文本数据属于同一应用领域。
13.一种存储介质，其上存储有计算机程序，应用于文本情绪识别装置，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910204983.3A CN111723198B (zh) | 2019-03-18 | 2019-03-18 | 一种文本情绪识别方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910204983.3A CN111723198B (zh) | 2019-03-18 | 2019-03-18 | 一种文本情绪识别方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111723198A CN111723198A (zh) | 2020-09-29 |
| CN111723198B true CN111723198B (zh) | 2023-09-01 |
Family
ID=72562285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910204983.3A Active CN111723198B (zh) | 2019-03-18 | 2019-03-18 | 一种文本情绪识别方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111723198B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784776B (zh) * | 2021-01-26 | 2022-07-08 | 山西三友和智慧信息技术股份有限公司 | 一种基于改进残差网络的bpd面部情绪识别方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331506A (zh) * | 2014-11-20 | 2015-02-04 | 北京理工大学 | 一种面向双语微博文本的多类情感分析方法与系统 |
| CN106874410A (zh) * | 2017-01-22 | 2017-06-20 | 清华大学 | 基于卷积神经网络的中文微博文本情绪分类方法及其系统 |
| WO2017101342A1 (zh) * | 2015-12-15 | 2017-06-22 | 乐视控股（北京）有限公司 | 情感分类方法及装置 |
| CN107633203A (zh) * | 2017-08-17 | 2018-01-26 | 平安科技（深圳）有限公司 | 面部情绪识别方法、装置及存储介质 |
| CN107679234A (zh) * | 2017-10-24 | 2018-02-09 | 上海携程国际旅行社有限公司 | 客服信息提供方法、装置、电子设备、存储介质 |
| CN107885849A (zh) * | 2017-11-13 | 2018-04-06 | 成都蓝景信息技术有限公司 | 一种基于文本分类的情绪指数分析系统 |
| CN107908635A (zh) * | 2017-09-26 | 2018-04-13 | 百度在线网络技术（北京）有限公司 | 建立文本分类模型以及文本分类的方法、装置 |
| CN108563731A (zh) * | 2018-04-08 | 2018-09-21 | 北京奇艺世纪科技有限公司 | 一种情感分类方法及装置 |
| JP2018180628A (ja) * | 2017-04-04 | 2018-11-15 | 学校法人同志社 | 感情分類装置および感情分類方法 |
| CN108829818A (zh) * | 2018-06-12 | 2018-11-16 | 中国科学院计算技术研究所 | 一种文本分类方法 |
| CN109299253A (zh) * | 2018-09-03 | 2019-02-01 | 华南理工大学 | 一种基于深度融合神经网络的中文社交文本情绪识别模型构造方法 |
| CN109408641A (zh) * | 2018-11-22 | 2019-03-01 | 山东工商学院 | 一种基于有监督主题模型的文本分类方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170169008A1 (en) * | 2015-12-15 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for sentiment classification |
-
2019
- 2019-03-18 CN CN201910204983.3A patent/CN111723198B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331506A (zh) * | 2014-11-20 | 2015-02-04 | 北京理工大学 | 一种面向双语微博文本的多类情感分析方法与系统 |
| WO2017101342A1 (zh) * | 2015-12-15 | 2017-06-22 | 乐视控股（北京）有限公司 | 情感分类方法及装置 |
| CN106874410A (zh) * | 2017-01-22 | 2017-06-20 | 清华大学 | 基于卷积神经网络的中文微博文本情绪分类方法及其系统 |
| JP2018180628A (ja) * | 2017-04-04 | 2018-11-15 | 学校法人同志社 | 感情分類装置および感情分類方法 |
| CN107633203A (zh) * | 2017-08-17 | 2018-01-26 | 平安科技（深圳）有限公司 | 面部情绪识别方法、装置及存储介质 |
| CN107908635A (zh) * | 2017-09-26 | 2018-04-13 | 百度在线网络技术（北京）有限公司 | 建立文本分类模型以及文本分类的方法、装置 |
| CN107679234A (zh) * | 2017-10-24 | 2018-02-09 | 上海携程国际旅行社有限公司 | 客服信息提供方法、装置、电子设备、存储介质 |
| CN107885849A (zh) * | 2017-11-13 | 2018-04-06 | 成都蓝景信息技术有限公司 | 一种基于文本分类的情绪指数分析系统 |
| CN108563731A (zh) * | 2018-04-08 | 2018-09-21 | 北京奇艺世纪科技有限公司 | 一种情感分类方法及装置 |
| CN108829818A (zh) * | 2018-06-12 | 2018-11-16 | 中国科学院计算技术研究所 | 一种文本分类方法 |
| CN109299253A (zh) * | 2018-09-03 | 2019-02-01 | 华南理工大学 | 一种基于深度融合神经网络的中文社交文本情绪识别模型构造方法 |
| CN109408641A (zh) * | 2018-11-22 | 2019-03-01 | 山东工商学院 | 一种基于有监督主题模型的文本分类方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于大数据的情绪分析方法研究;刘爽;《信息科技》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111723198A (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109871446B (zh) | 意图识别中的拒识方法、电子装置及存储介质 | |
| US11734319B2 (en) | Question answering method and apparatus | |
| CN109918673B (zh) | 语义仲裁方法、装置、电子设备和计算机可读存储介质 | |
| CN111325037B (zh) | 文本意图识别方法、装置、计算机设备和存储介质 | |
| CN111428010B (zh) | 人机智能问答的方法和装置 | |
| US10191900B2 (en) | Method and apparatus for processing semantic analysis result based on artificial intelligence | |
| CN112732911A (zh) | 基于语义识别的话术推荐方法、装置、设备及存储介质 | |
| CN112164391A (zh) | 语句处理方法、装置、电子设备及存储介质 | |
| CN112507704B (zh) | 多意图识别方法、装置、设备及存储介质 | |
| CN110019742B (zh) | 用于处理信息的方法和装置 | |
| CN108681541B (zh) | 图片搜索方法、装置及计算机设备 | |
| CN110879938A (zh) | 文本情感分类方法、装置、设备和存储介质 | |
| CN111723198B (zh) | 一种文本情绪识别方法、装置及存储介质 | |
| CN113449089B (zh) | 一种查询语句的意图识别方法、问答方法及计算设备 | |
| CN113569021B (zh) | 用户分类的方法、计算机设备和可读存储介质 | |
| CN112307210A (zh) | 一种文档标签预测方法、系统、介质及电子器件 | |
| CN112163415A (zh) | 针对反馈内容的用户意图识别方法、装置及电子设备 | |
| CN116467451A (zh) | 一种文本分类方法、装置、存储介质以及电子设备 | |
| CN108304366B (zh) | 一种上位词检测方法及设备 | |
| CN113111855B (zh) | 一种多模态情感识别方法、装置、电子设备及存储介质 | |
| CN109740671B (zh) | 一种图像识别方法及装置 | |
| CN116049372B (zh) | 人机对话方法、装置及电子设备 | |
| CN113704479B (zh) | 无监督的文本分类方法、装置、电子设备及存储介质 | |
| CN117892735B (zh) | 一种基于深度学习的自然语言处理方法及系统 | |
| CN109325126B (zh) | 语言文本的对象化处理方法、装置及计算机存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210526 Address after: 100176 room 1004, 10th floor, building 1, 18 Kechuang 11th Street, economic and Technological Development Zone, Daxing District, Beijing Applicant after: Beijing Huijun Technology Co.,Ltd. Address before: 100086 8th Floor, 76 Zhichun Road, Haidian District, Beijing Applicant before: BEIJING JINGDONG SHANGKE INFORMATION TECHNOLOGY Co.,Ltd. Applicant before: BEIJING JINGDONG CENTURY TRADING Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |