CN112084316A - 一种情绪识别模型的训练方法及装置 - Google Patents

一种情绪识别模型的训练方法及装置 Download PDF

Info

Publication number
CN112084316A
CN112084316A CN202010942134.0A CN202010942134A CN112084316A CN 112084316 A CN112084316 A CN 112084316A CN 202010942134 A CN202010942134 A CN 202010942134A CN 112084316 A CN112084316 A CN 112084316A
Authority
CN
China
Prior art keywords
emotion
training
corpus
features
processed
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
Application number
CN202010942134.0A
Other languages
English (en)
Inventor
徐涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lianxin Technology Co ltd
Original Assignee
Zhejiang Lianxin Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lianxin Technology Co ltd filed Critical Zhejiang Lianxin Technology Co ltd
Priority to CN202010942134.0A priority Critical patent/CN112084316A/zh
Publication of CN112084316A publication Critical patent/CN112084316A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开实施例公开了一种情绪识别模型的训练方法及装置，首先从训练语料中提取用于表征情绪的特征；而后获取训练语料对应的情绪类别；最后将用于表征情绪的特征作为深度神经网络的输入，并将情绪类别作为深度神经网络模型的输出，对深度神经网络进行训练。通过将用于表征情绪的特征作为训练模型的输入，将训练语料对应的情绪类别作为训练模型输出，能够提高情绪识别的准确度。

Description

一种情绪识别模型的训练方法及装置
技术领域
本公开涉及数据处理技术领域，具体涉及到一种情绪识别模型的训练方法及装置。
背景技术
情感分析又称为倾向性分析和意见挖掘，它是对情感色彩进行分析、处理、归纳和推理的过程。
相关技术中，情绪识别仍然采用人工识别的方式，人工识别情绪的方式依赖于人工的专业度，人工识别情绪准确度低。
发明内容
本公开的主要目的在于提供一种情绪识别模型的训练方法，以解决人工识别情绪准确度低的问题。
为了实现上述目的，根据本公开的第一方面，提供了一种情绪识别模型的训练方法，包括：从训练语料中提取用于表征情绪的特征；获取所述训练语料对应的情绪类别；将所述用于表征情绪的特征作为深度神经网络的输入，并将所述情绪类别作为所述深度神经网络模型的输出，对所述深度神经网络进行训练。
可选地，所述从训练语料中提取用于表征情绪的特征包括：从训练语料中提取用于表征情绪的文本特征，和/或，从训练语料中提取语境特征。
可选地，在获取所述训练语料对应的情绪类别信息之前，所述方法还包括：基于预设的策略，对所述训练语料对应的情绪类别进行标注；将所述训练语料以及所述标注的与其相对应的情绪类别存储至数据库中。
根据本公开的第二方面，提供了一种情绪识别模型的训练装置，包括：提取单元，被配置成从训练语料中提取用于表征情绪的特征；获取单元，被配置成获取所述训练语料对应的情绪类别；训练单元，被配置成将所述用于表征情绪的特征作为深度神经网络的输入，并将所述情绪类别作为所述深度神经网络模型的输出，对所述深度神经网络进行训练。
可选地，提取单元进一步被配置成：第一提取模块，被配置成从训练语料中提取用于表征情绪的文本特征，和/或，第二提取模块，被配置成从训练语料中提取语境特征。
可选地，装置还包括：标注单元，被配置成基于预设的策略，对所述训练语料对应的情绪类别进行标注；存储单元，被配置成将所述训练语料以及所述标注的与其相对应的情绪类别存储至数据库中。
根据本公开的第三方面，提供了一种使用情绪识别模型的情绪识别方法，包括:获取待处理语料的用于表征情绪的特征；将待处理语料的用于表征情绪的特征输入至情绪识别模型中，输出与待处理语料相对应的情绪类别。
可选地，获取待处理语料的用于表征情绪的特征之前，方法还包括：获取目标用户通过人机交互界面输入的待处理语料，其中，待处理语料包括至少一种数据类型的语料；对所述待处理语料进行特征提取，得到待处理语料的用于表征情绪的特征；存储所述待处理语料的用于表征情绪的特征至数据库中。
根据本公开的第四方面，提供了一种电子设备，包括存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面实施例中任一方法
根据本公开的第五方面，提供了一种计算机可读存储介质，包括存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面任意一实施例所述的情绪识别模型的训练方法。
在本公开实施例中，首先从训练语料中提取用于表征情绪的特征；而后获取训练语料对应的情绪类别；最后将用于表征情绪的特征作为深度神经网络的输入，并将情绪类别作为深度神经网络模型的输出，对深度神经网络进行训练，通过将用于表征情绪的特征作为训练模型的输入，将训练语料对应的情绪类别作为训练模型输出，能够提高情绪识别的准确度。
附图说明
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施方式，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他的附图。
图1是根据本公开实施例的情绪识别模型的训练方法的流程图；
图2是根据本公开实施例的情绪识别模型的训练装置的结构示意图；
图3是根据本公开实施例的使用情绪识别模型进行情绪识别的流程图；
图4是是适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，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他实施例，都应当属于本公开保护的范围。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本公开实施例，提供了一种情绪识别模型的训练方法，如图1所示，该方法包括如下的步骤101至步骤103。
步骤101：从训练语料中提取用于表征情绪的特征。
在本实施例中，执行情绪识别模型训练的主体可以是服务器也可以是任一具有数据处理能力的终端，执行主体可以通过爬虫技术，将目标位置处的数据爬取至语料库中，例如，大多数用户与机器人对话产生的语料数据，执行主体可以从机器人对应的服务端或者终端处获取语料数据；执行主体也可以从关于心理表达的网站上(如包括心理评论的心理论坛上)爬取有关情绪表达的语料。在爬取语料存储至语料库中之后，执行主体还可以对爬取的语料进行筛选，以筛选出可以表达情绪的初始语料，表达情绪的初始语料可以是文本，也可以是其他文件类型的语料，例如，通过语音形式或者视频形式进行情绪表达的语料。执行主体在得到初始语料后，对初始语料进行预处理，包括删除语料中包括的html的标签；用Python的正则表达式(re)删除少量的非文本内容或特殊的非英文字符和标点符号；删除虚词、代词或者没有特定含义的动词、名词；删除特殊字符和标点符号，比如一句话后面跟了很多标点符号，当句子比较短的时候，这些标点符号会影响情绪识别模型的判断，所以需要将结尾处只保留一个标点符号；删除特殊的字符比如颜文字；对英文字符的大小写进行转换，以减少单词量和工作量。执行主体将经过上述处理后的语料确定为训练语料。当确定训练语料后，执行主体可以通过提取策略，从训练语料中提取用于表征情绪的特征。
本实施例首先对初始语料进行预处理，而后将预处理后语料作为训练语料进行特征提取，能够提取更精确的用于表征情绪的特征。
作为本实施例一种可选的实现方式，从训练语料中提取用于表征情绪的特征包括：从训练语料中提取用于表征情绪的文本特征，和/或，从训练语料中提取语境特征。
在本实施例中，通过第一提取策略(第一特征提取器)提取用于表达情绪的特征，用于表达情绪的特征可以是文本特征，文本特征可以是用于表达情绪的文本特征词，例如：“我好难受”，那么“难受”作为表达情绪的词语可以作为用于表达情绪的文本特征词。
具体地，当语料中不直接包含有表达情绪的文本特征词时，可以通过第二提取策略(第二特征提取器)提取语境特征，例如：“我身边的人都很幸福，但是我真的一点也不幸福”，在本语料中，并不包含直接可以表达情绪的词语，但是也可以根据语境确定语料所表达的情绪如失落。其中，语境是与特定的语言活动相关联，由与特定的语言活动发生直接或间接接的、显现或隐蔽的联系的条件或因素所构成，可以根据语境确定语言表达者说话的情绪。通过提取训练语料中的文本特征词和/或语境特征，而后将情绪类别作为输出，能够极大地提高深度神经网络模型的识别精确度。
步骤102：获取训练语料对应的情绪类别。
执行主体可以从数据库中获取训练语料对应的情绪类别，如“高兴”，“难过”，“沮丧”，“嫉妒”，“悲伤”等。
作为本实施例一种可选的实现方式，在获取训练语料对应的情绪类别信息之前，方法还包括：基于预设的策略，对训练语料对应的情绪类别进行标注；将训练语料以及标注的与其相对应的情绪类别存储至数据库中。
在本实施例中，执行主体可以对基于预先定义好的归类标准和规范对训练语料对应的情绪类别进行自动标注，得到训练语料对应的情绪类别，而后可以将训练语料及情绪类别对应存储。
步骤103：将用于表征情绪的特征作为深度神经网络的输入，并将情绪类别作为深度神经网络模型的输出，对深度神经网络进行训练。
在本实施例中，深度神经网络可以基于Transformer实现，Transformer有以下优势：突破了RNN模型不能并行计算的限制。相比CNN，计算两个位置之间的关联所需的操作次数不随距离增长。自注意力可以产生更具可解释性的模型。我们可以从模型中检查注意力分布。各个注意头(attention head)可以学会执行不同的任务。
本实施例首先从训练语料中提取用于表征情绪的特征；而后获取所述训练语料对应的情绪类别；最后将用于表征情绪的特征作为深度神经网络的输入，并将所述情绪类别作为所述深度神经网络模型的输出，对所述深度神经网络进行训练，通过将用于表征情绪的特征作为训练模型的输入，将训练语料对应的情绪类别作为训练模型输出，一方面实现了情绪的自动识别，一方面能够提高情绪识别的准确度。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本公开实施例，还提供了一种用于实施上述情绪识别模型的训练方法的装置，如图2所示，该装置包括：
提取单元201，被配置成从训练语料中提取用于表征情绪的特征；获取单元202，被配置成获取训练语料对应的情绪类别；训练单元203，被配置成将用于表征情绪的特征作为深度神经网络的输入，并将情绪类别作为所述深度神经网络模型的输出，对深度神经网络进行训练。
提取单元201进一步被配置成：第一提取模块，被配置成从训练语料中提取用于表征情绪的文本特征，和/或，第二提取模块，被配置成从训练语料中提取语境特征。
装置还包括标注单元，被配置成基于预设的策略，对训练语料对应的情绪类别进行标注；存储单元，被配置成将训练语料以及标注的与其相对应的情绪类别存储至数据库中，其中标注单元和存储单元未在图中示出。
根据本公开实施例，还提供了一种情绪识别方法，如图3所示，该方法包括如下的步骤301至步骤302：
步骤301：获取待处理语料的用于表征情绪的特征。
在本实施例中，系统架构可以包括终端设备，网络和服务器。网络用以在终端设备和服务器之间提供通信链路的介质。网络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通过网络与服务器交互，以接收或发送消息等。终端设备上可以安装有各种通讯客户端应用，例如语料信息输入类应用等。
终端设备可以是硬件，也可以是软件。当终端设备为硬件时，可以是具有人机交互界面显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器可以是提供各种服务的服务器，例如对终端设备上安装的数据输入服务支持的后台服务器。后台服务器可以对终端设备输入的语料信息进行分析等处理，并将处理结果(例如，情绪识别结果)反馈给终端设备。
需要说明的是，本申请实施例所提供的情绪识别方法一般由服务器执行。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如将待处理语料进行分析处理，输出与待处理语料相对应的情绪类别)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，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。
具体地，执行主体可以接收终端设备(例如，待情绪识别用户的终端设备)发送的待处理语料，而后对待处理语料进行处理得到待处理语料的用于表征情绪的特征。也可以由终端设备对待处理语料进行处理得到待处理语料的用于表征情绪的特征，而后执行主体从终端设备处获取待处理语料的用于表征情绪的特征。
作为本实施例一种可选的实现方式，获取待处理语料的用于表征情绪的特征之前，所述方法还包括：获取目标用户通过人机交互界面输入的待处理语料，其中，待处理语料包括至少一种数据类型的语料；对待处理语料进行特征提取，得到待处理语料的用于表征情绪的特征；存储待处理语料的用于表征情绪的特征至数据库中。
在本实施例中，执行主体可以是服务器，服务器可以获取用户通过终端设备的人机交互界面输入的待处理语料，待处理语料可以是用户通过终端设备的人机交互界面语音输入的待处理语料，而后服务器将语音输入的待处理语料转换为文本类型的待处理语料，也可以是通过终端设备的人机交互界面输入文本方式输入的待处理语料，还可以是通过终端设备的人机交互界面视频输入的待处理语料，而后服务器将视频输入的待处理语料转换为文本类型的待处理语料，服务器在得到文本类型的待处理语料后，可以基于预设的提取策略，对待处理语料进行特征提取，得到待处理语料的用于表征情绪的特征。通过人机交互的方式获取目标用户的语料，能够引导用户充分表达本身的情绪。
具体地，在得到待处理语料后，可以通过第一提取策略(第一特征提取器)提取的用于表达情绪的特征，用于表达情绪的特征可以是文本特征，文本特征可以是用于表达情绪的文本特征词。当语料中不直接包含有表达情绪的文本特征词时，可以通过第二提取策略(第二特征提取器)提取语境特征。将提取的待处理语料的用于表征情绪的特征存储至数据库中。
步骤302：将待处理语料的用于表征情绪的特征输入至所述神经网络模型中，输出与待处理语料相对应的情绪类别。
在本实施例中，基于步骤301存储的用于表征情绪的特征，将其作为第一方面实施例所述的情绪识别模型的输入，经过模型处理后，输出与待处理语料相对应的情绪类别。
本实施例首先获取待处理语料的用于表征情绪的特征；而后将待处理语料的用于表征情绪的特征输入至训练好的网络模型中，输出与待处理语料相对应的情绪类别，能够对目标用户的情绪进行精准的识别。
本公开实施例提供了一种电子设备，如图4所示，该电子设备包括一个或多个处理器41以及存储器42，图4中以一个处理器43为例。
该控制器还可以包括：输入装置43和输出装置44。
处理器41、存储器42、输入装置43和输出装置44可以通过总线或者其他方式连接，图4中以通过总线连接为例。
处理器41可以为中央处理器(CentralProcessingUnit，CPU)。处理器41还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器42作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本公开实施例中的控制方法对应的程序指令/模块。处理器41通过运行存储在存储器42中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的情绪识别模型的训练方法。
存储器42可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器42可选包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置44可包括显示屏等显示设备。
一个或者多个模块存储在存储器42中，当被一个或者多个处理器41执行时，执行如图1所示的方法。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各电机控制方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本公开的实施方式，但是本领域技术人员可以在不脱离本公开的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种情绪识别模型的训练方法，其特征在于，包括：
从训练语料中提取用于表征情绪的特征；
获取所述训练语料对应的情绪类别；
将所述用于表征情绪的特征作为深度神经网络的输入，并将所述情绪类别作为所述深度神经网络模型的输出，对所述深度神经网络进行训练。
2.根据权利要求1所述的情绪识别模型的训练方法，其特征在于，所述从训练语料中提取用于表征情绪的特征包括：
从训练语料中提取用于表征情绪的文本特征，和/或，
从训练语料中提取语境特征。
3.根据权利要求1所述的情绪识别模型的训练方法，其特征在于，在获取所述训练语料对应的情绪类别信息之前，所述方法还包括：
基于预设的策略，对所述训练语料对应的情绪类别进行标注；
将所述训练语料以及所述标注的与其相对应的情绪类别存储至数据库中。
4.一种情绪识别模型的训练装置，其特征在于，包括：
提取单元，被配置成从训练语料中提取用于表征情绪的特征；
获取单元，被配置成获取所述训练语料对应的情绪类别；
训练单元，被配置成将所述用于表征情绪的特征作为深度神经网络的输入，并将所述情绪类别作为所述深度神经网络模型的输出，对所述深度神经网络进行训练。
5.根据权利要求1所述的情绪识别模型的训练装置，其特征在于，所述提取单元进一步被配置成：
第一提取模块，被配置成从训练语料中提取用于表征情绪的文本特征，和/或，
第二提取模块，被配置成从训练语料中提取语境特征。
6.根据权利要求1所述的情绪识别模型的训练装置，其特征在于，所述装置还包括：
标注单元，被配置成基于预设的策略，对所述训练语料对应的情绪类别进行标注；
存储单元，被配置成将所述训练语料以及所述标注的与其相对应的情绪类别存储至数据库中。
7.一种使用如权利要求1-3任一项情绪识别模型的情绪识别方法，其特征在于，包括:
获取待处理语料的用于表征情绪的特征；
将所述待处理语料的用于表征情绪的特征输入至所述情绪识别模型中，输出与待处理语料相对应的情绪类别。
8.根据权利要求7所述的情绪识别方法，其特征在于，获取待处理语料的用于表征情绪的特征之前，所述方法还包括：
获取目标用户通过人机交互界面输入的待处理语料，其中，所述待处理语料包括至少一种数据类型的语料；
对所述待处理语料进行特征提取，得到待处理语料的用于表征情绪的特征；
存储所述待处理语料的用于表征情绪的特征至数据库中。
9.一种电子设备，其特征在于，包括一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任意一项所述的情绪识别模型的训练方法。
10.一种计算机存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-3任意一项所述的情绪识别模型的训练方法。
CN202010942134.0A 2020-09-09 2020-09-09 一种情绪识别模型的训练方法及装置 Pending CN112084316A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010942134.0A CN112084316A (zh) 2020-09-09 2020-09-09 一种情绪识别模型的训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010942134.0A CN112084316A (zh) 2020-09-09 2020-09-09 一种情绪识别模型的训练方法及装置

Publications (1)

Publication Number Publication Date
CN112084316A true CN112084316A (zh) 2020-12-15

Family

ID=73732546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010942134.0A Pending CN112084316A (zh) 2020-09-09 2020-09-09 一种情绪识别模型的训练方法及装置

Country Status (1)

Country Link
CN (1) CN112084316A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427670A (zh) * 2018-04-08 2018-08-21 重庆邮电大学 一种基于语境词向量和深度学习的情感分析方法
US20200012851A1 (en) * 2018-07-03 2020-01-09 Neural Vision Technologies LLC Clustering, classifying, and searching documents using spectral computer vision and neural networks
CN110807314A (zh) * 2019-09-19 2020-02-18 平安科技（深圳）有限公司 文本情感分析模型训练方法、装置、设备及可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427670A (zh) * 2018-04-08 2018-08-21 重庆邮电大学 一种基于语境词向量和深度学习的情感分析方法
US20200012851A1 (en) * 2018-07-03 2020-01-09 Neural Vision Technologies LLC Clustering, classifying, and searching documents using spectral computer vision and neural networks
CN110807314A (zh) * 2019-09-19 2020-02-18 平安科技（深圳）有限公司 文本情感分析模型训练方法、装置、设备及可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周青宇等: "基于深度神经网络的文本问题生成技术综述", 《智能计算机与应用》 *
张冬瑜等: "基于Transformer和BERT的名词隐喻识别", 《数据分析与知识发现》 *
张娜娜等: "面向工艺操作说明文本的命名实体深度学习识别方法", 《计算机应用与软件》 *

Similar Documents

Publication Publication Date Title
EP3276498A1 (en) Method and system for dynamically generating adaptive response to user interactions
US10733197B2 (en) Method and apparatus for providing information based on artificial intelligence
CN107480122B (zh) 人工智能交互方法及人工智能交互装置
WO2019153522A1 (zh) 智能交互方法、电子装置及存储介质
CN110909137A (zh) 基于人机交互的信息推送方法、装置和计算机设备
CN110597952A (zh) 信息处理方法、服务器及计算机存储介质
CN110019742B (zh) 用于处理信息的方法和装置
CN110532573A (zh) 一种翻译方法和系统
CN107844470B (zh) 一种语音数据处理方法及其设备
CN114757176A (zh) 一种获取目标意图识别模型的方法以及意图识别方法
EP3577579A1 (en) Input method editor
US20220365956A1 (en) Method and apparatus for generating patent summary information, and electronic device and medium
CN105956181A (zh) 搜索方法及装置
CN115186080A (zh) 一种智能问答数据处理方法、系统、计算机设备及介质
CN110610003A (zh) 用于辅助文本标注的方法和系统
CN114186041A (zh) 一种答案输出方法
CN112101003B (zh) 语句文本的切分方法、装置、设备和计算机可读存储介质
CN116992010A (zh) 一种基于多模态大模型的内容分发和交互方法及系统
CN116701604A (zh) 问答语料库的构建方法和装置、问答方法、设备及介质
CN111427996A (zh) 一种人机交互文本中抽取日期时间的方法和装置
CN114492437B (zh) 关键词识别方法、装置、电子设备及存储介质
CN112466286A (zh) 数据处理方法及装置、终端设备
CN110321557A (zh) 一种文本分类方法、装置、电子设备及存储介质
CN112084316A (zh) 一种情绪识别模型的训练方法及装置
TW202034207A (zh) 使用意圖偵測集成學習之對話系統及其方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201215