CN112199469B - 一种情感识别的方法、装置及电子设备 - Google Patents

一种情感识别的方法、装置及电子设备 Download PDF

Info

Publication number
CN112199469B
CN112199469B CN202011058408.6A CN202011058408A CN112199469B CN 112199469 B CN112199469 B CN 112199469B CN 202011058408 A CN202011058408 A CN 202011058408A CN 112199469 B CN112199469 B CN 112199469B
Authority
CN
China
Prior art keywords
target subject
subject
emotional tendency
depressed mood
conversation
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
Application number
CN202011058408.6A
Other languages
English (en)
Other versions
CN112199469A (zh
Inventor
李纯懿
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.)
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Original Assignee
Zhuo Erzhi Lian Wuhan Research Institute 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 Zhuo Erzhi Lian Wuhan Research Institute Co Ltd filed Critical Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority to CN202011058408.6A priority Critical patent/CN112199469B/zh
Publication of CN112199469A publication Critical patent/CN112199469A/zh
Application granted granted Critical
Publication of CN112199469B publication Critical patent/CN112199469B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/3331—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种情感识别的方法、装置及电子设备，其中，该方法包括：获取目标主体的文本数据和目标主体与抑郁情绪主体之间的关联关系；提取出会话短文本；将会话短文本转换为相应的会话特征向量；确定目标主体的情感倾向指标；根据目标主体与抑郁情绪主体之间的关联关系确定目标主体的抑郁情绪关注度；根据会话特征向量、情感倾向指标和抑郁情绪关注度进行决策处理，确定目标主体是否存在抑郁情绪。通过本发明实施例提供的技术方案，能够更准确地提取出会话短文本，结合编码器模型和决策树，并基于会话特征向量、情感倾向指标和抑郁情绪关注度三者进行共同决策，从而能够更加准确地确定目标主体是否存在抑郁情绪，能够提高识别精度。

Description

一种情感识别的方法、装置及电子设备
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种情感识别的方法、装置、电子设备及计算机可读存储介质。
背景技术
据人民日报一项调查估算，我国抑郁情绪患者已达9000万，但近七成没有被“识别”出来。世界卫生组织预计，到2020年抑郁症将跃升至全球第二大疾病，自杀是其最可怕的症状。如何诊断识别抑郁，值得我们每个人关注。通常传统方法是由专业医生借助临床结构化访谈或患者在抑郁筛查诊断量表上进行自我报告。
随着社交媒体的发展，人们会在Twitter、微博、网络论坛等社交平台上以匿名的方式宣泄情绪，社交平台上的各种信息，也可以成为被追踪观测的心理疾患诊断指标，通过自动抑郁检测技术实现抑郁情绪识别。
在实现本发明的过程中，发明人发现现有的方案中至少存在如下问题：现有的抑郁情绪识别方法，只是基于用户发表的内容作为识别依据进行简单地二分类处理，识别依据和识别方式均比较单一，容易出现识别精度不高或遗漏等问题。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种情感识别的方法、装置、电子设备及计算机可读存储介质。
第一方面，本发明实施例提供了一种情感识别的方法，包括：
获取目标主体的社交信息，所述社交信息包括文本数据和所述目标主体与抑郁情绪主体之间的关联关系；
对所述文本数据进行会话抽取，提取出会话短文本；基于预设的编码器模型，将所述会话短文本转换为相应的会话特征向量；根据所述会话短文本的情感倾向，确定所述目标主体的情感倾向指标；
根据所述目标主体与抑郁情绪主体之间的关联关系确定所述目标主体的抑郁情绪关注度；
根据所述会话特征向量、所述情感倾向指标和所述抑郁情绪关注度进行决策处理，确定所述目标主体是否存在抑郁情绪。
第二方面，本发明实施例还提供了一种情感识别的装置，包括：
信息获取模块，用于获取目标主体的社交信息，所述社交信息包括文本数据和所述目标主体与抑郁情绪主体之间的关联关系；
文本处理模块，用于对所述文本数据进行会话抽取，提取出会话短文本；基于预设的编码器模型，将所述会话短文本转换为相应的会话特征向量；根据所述会话短文本的情感倾向，确定所述目标主体的情感倾向指标；
关联关系处理模块，用于根据所述目标主体与抑郁情绪主体之间的关联关系确定所述目标主体的抑郁情绪关注度；
决策模块，用于根据所述会话特征向量、所述情感倾向指标和所述抑郁情绪关注度进行决策处理，确定所述目标主体是否存在抑郁情绪。
第三方面，本发明实施例提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述的情感识别的方法中的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的情感识别的方法中的步骤。
本发明实施例提供的情感识别的方法、装置、电子设备及计算机可读存储介质，以会话抽取的方式提取出目标主体在社交平台发布的会话短文本，基于该会话短文本可以确定相应的会话特征向量和情感倾向指标；同时，基于目标主体与其他抑郁情绪主体之间的关联关系确定相应的抑郁情绪关注度，进而基于会话特征向量、情感倾向指标和抑郁情绪关注度判断目标主体是否存在抑郁情绪。本实施例基于会话抽取的方式，能够更准确地提取出会话短文本，结合编码器模型和决策树，并基于会话特征向量、情感倾向指标和抑郁情绪关注度三者进行共同决策，从而能够更加准确地确定目标主体是否存在抑郁情绪，能够提高识别精度。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1示出了本发明实施例所提供的一种情感识别的方法的流程图；
图2示出了本发明实施例所提供的情感识别的方法中，一种有向图的示意图；
图3示出了本发明实施例所提供的一种情感识别的装置的结构示意图；
图4示出了本发明实施例所提供的一种用于执行情感识别的方法的电子设备的结构示意图。
具体实施方式
在本发明实施例的描述中，所属技术领域的技术人员应当知道，本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本发明实施例可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、闪存(Flash Memory)、光纤、光盘只读存储器(CD-ROM)、光存储器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
上述计算机可读存储介质包含的计算机程序代码可以用任意适当的介质传输，包括：无线、电线、光缆、射频(Radio Frequency，RF)或者以上任意合适的组合。
可以以汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，例如：Java、Smalltalk、C++，还包括常规的过程式程序设计语言，例如：C语言或类似的程序设计语言。计算机程序代码可以完全的在用户计算机上执行、部分的在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行以及完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括：局域网(LAN)或广域网(WAN)，可以连接到用户计算机，也可以连接到外部计算机。
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本发明实施例中的附图对本发明实施例进行描述。
图1示出了本发明实施例所提供的一种情感识别的方法的流程图。如图1所示，该方法包括：
步骤101：获取目标主体的社交信息，该社交信息包括文本数据和目标主体与抑郁情绪主体之间的关联关系。
本发明实施例中，目标主体为待识别的主体，其具体为社交平台中的用户，基于该目标主体在社交平台中的社交活动，可以提取出该目标主体的社交信息，该社交信息包括文本数据，以及目标主体与抑郁情绪主体之间的关联关系。具体地，社交平台中包含多个主体(即用户)，每个主体在使用社交平台时，会发表信息、评论其他主体的信息、转发其他主体的信息等、与其他主体聊天等，从而可以生成文本格式的数据，即文本数据；此外，主体发表的语音、视频等内容，也可基于现有的识别技术将其转换为文本数据。
此外，社交平台的主体之间存在关联关系，如主体A关注主体B，则主体A与主体B之间存在关联关系；相应的，若主体A被主体C关注，则主体A与主体C之间也存在关联关系。基于目标主体与其他主体之间的关联关系，即可确定目标主体与抑郁情绪主体之间的关联关系。本实施中，“抑郁情绪主体”为预先确定的具有抑郁情绪的主体，具体可通过其他方式预先确定某主体是否具有抑郁情绪；或者，基于本实施例提供的方法确定该目标主体具有抑郁情绪，则需要判断其他主体是否具有抑郁情绪时，可以将该目标主体作为一个抑郁情绪主体。
步骤102：对文本数据进行会话抽取，提取出会话短文本；基于预设的编码器模型，将会话短文本转换为相应的会话特征向量；根据会话短文本的情感倾向，确定目标主体的情感倾向指标。
本发明实施例中，目标主体的文本数据包含大量文本格式的数据，且部分文本数据可能是对同一个主题发布的信息(如连续评论某个主体发表的消息)，本实施例通过会话抽取的方式将文本数据转换为多个会话短文本，方便后续处理；且会话抽取方式能够提取出会话前后的语义，能够更准确地提取出会话短文本，进而基于编码器模型将其转换为相应的特征向量，即会话特征向量，使得后续识别过程更加准确。本实施例中，该编码器模型具体可以为BERT(Bidirectional Encoder Representation from Transformers)模型，采用了BERT网络模型可以保证后续情感识别的准确度。
同时，对于每一条会话短文本，可以基于现有的情感识别方式确定该会话短文本的情感倾向；其中，该情感倾向包括积极(正向)情感倾向、消极(负向)情感倾向和中性情感倾向等。具体地，可以提取出会话短文本中的情感关键词，通过匹配现有的情感词典来确定该情感关键词的情感倾向，从而可以得出该会话短文本的情感倾向。本实施例中，目标主体对应多条会话短文本，通过统计每条会话短文本的情感倾向即可确定相应的情感倾向指标。本实施例中，该情感倾向指标可以表征目标主体的积极程度和/或消极程度，若目标主体的积极程度越低、或者消极程度越高，则越可能具有抑郁情绪。
步骤103：根据目标主体与抑郁情绪主体之间的关联关系确定目标主体的抑郁情绪关注度。
本发明实施例中，目标主体与抑郁情绪主体之间的关联关系能够表示目标主体关注其他抑郁情绪主体的程度、或者其他抑郁情绪主体关注该目标主体的程度，因此基于该关联关系可以确定目标主体的抑郁情绪关注度。本实施例中，该抑郁情绪关注度表示目标主体关注或被关注抑郁情绪主体的程度；一般情况下，目标主体关注的抑郁情绪主体的数量越多，或关注目标主体的抑郁情绪主体的数量越多，则该抑郁情绪关注度越大，说明该目标主体越有可能具有抑郁情绪。
步骤104：根据会话特征向量、情感倾向指标和抑郁情绪关注度进行决策处理，确定目标主体是否存在抑郁情绪。
本发明实施例中，在确定目标主体的会话特征向量、情感倾向指标和抑郁情绪关注度之后，结合上述三者进行决策处理，从而可以识别出目标主体是否存在抑郁情绪。具体地，可以基于GBDT(Gradient Boosting Decision Tree，梯度提升迭代决策树)等决策树进行决策处理，基于会话特征向量、情感倾向指标和抑郁情绪关注度共同决策，可以更加准确地进行抑郁情绪识别。
可选地，在步骤104“确定目标主体是否存在抑郁情绪”之后，该方法还包括：
步骤A1：在确定目标主体存在抑郁情绪时，生成预警消息。
或者，在步骤104“确定目标主体是否存在抑郁情绪”之后，该方法还包括：
步骤A2：在确定目标主体存在抑郁情绪时，获取目标主体在社交平台展示的位置信息，并生成包含位置信息的预警消息。
本发明实施例中，若确定该目标主体存在抑郁情绪，可以生成预警消息，该预警消息可以发送至医生、家人等，供其参考。或者，目标主体在使用社交平台时可以能会提供自己的位置信息，例如发表信息时使用定位功能，此时可以生成包含该位置信息的预警消息；若目标主体实施自杀等极端行为时，方便及时定位到目标主体的位置，以实施营救。
本发明实施例提供的一种情感识别的方法，以会话抽取的方式提取出目标主体在社交平台发布的会话短文本，基于该会话短文本可以确定相应的会话特征向量和情感倾向指标；同时，基于目标主体与其他抑郁情绪主体之间的关联关系确定相应的抑郁情绪关注度，进而基于会话特征向量、情感倾向指标和抑郁情绪关注度判断目标主体是否存在抑郁情绪。本实施例基于会话抽取的方式，能够更准确地提取出会话短文本，结合编码器模型和决策树，并基于会话特征向量、情感倾向指标和抑郁情绪关注度三者进行共同决策，从而能够更加准确地确定目标主体是否存在抑郁情绪，能够提高识别精度。
在上述实施例的基础上，上述步骤102“根据会话短文本的情感倾向，确定目标主体的情感倾向指标”具体包括：
步骤B1：确定目标主体的每个会话短文本的情感倾向，情感倾向包括积极情感倾向、消极情感倾向和中性情感倾向。
步骤B2：统计确定积极情感倾向的会话短文本的数量N(pos)，消极情感倾向的会话短文本的数量N(neg)，以及中性情感倾向的会话短文本的数量N(n)，并确定情感倾向指标；
其中，情感倾向指标包括积极情感倾向指标S(pos)和/或消极情感倾向指标S(neg)；积极情感倾向指标S(pos)与N(pos)之间为正相关关系、与N(neg)以及N(n)之间均为负相关关系，消极情感倾向指标S(neg)与N(neg)之间为正相关关系、与N(pos)以及N(n)之间均为负相关关系。
本发明实施例中，利用现有的情感倾向识别方法，可以确定每个会话短文本的情感倾向，进而统计出积极情感倾向的会话短文本的数量N(pos)，消极情感倾向的会话短文本的数量N(neg)，以及中性情感倾向的会话短文本的数量N(n)，从而可以确定积极情感倾向指标S(pos)和/或消极情感倾向指标S(neg)。本发明实施例中，积极情感倾向指标S(pos)用于表示目标用户情感积极的程度，S(pos)越大，相应的积极程度越高。本实施例中，积极情感倾向的会话短文本的数量N(pos)越多，则积极程度越高，相应的指标S(pos)越大；相反地，S(neg)越多，则说明目标用户的消极程度越高，或者N(neg)越多，说明越不能说明该目标用户的积极程度较高。即，S(pos)与N(pos)之间为正相关关系，而S(pos)与N(neg)以及N(n)之间均为负相关关系。相应地，对于消极情感倾向指标S(neg)，S(neg)与N(neg)之间为正相关关系、与N(pos)以及N(n)之间均为负相关关系。
例如，积极情感倾向指标S(pos)、消极情感倾向指标S(neg)可以分别是：
Figure BDA0002711530600000091
Figure BDA0002711530600000092
在上述实施例的基础上，上述步骤103“根据目标主体与抑郁情绪主体之间的关联关系确定目标主体的抑郁情绪关注度”具体包括：
步骤C1：根据目标主体与抑郁情绪主体之间的关联关系确定主体关联关系对应的有向图，并确定有向图的邻接矩阵A，且：
Figure BDA0002711530600000093
其中，邻接矩阵A中的元素ai,j表示第j个主体关注第i个主体的关注系数，n表示抑郁情绪主体的数量；有向图的有向边表示首部主体关注尾部主体的关联关系。
步骤C2：建立主体关联关系式：
Figure BDA0002711530600000094
其中，
Figure BDA0002711530600000095
为关注度矩阵，且关注度矩阵中的元素Rk表示第k个主体的抑郁情绪关注度；λ为修正系数，N表示主体总数量，且0＜λ＜1，N≥n+1。
步骤C3：基于幂迭代法对主体关联关系式进行迭代处理，直至关注度矩阵收敛，并从收敛的关注度矩阵中提取出目标主体所对应的抑郁情绪关注度。
本发明实施例中，社交平台中包含多个主体，每个主体之间包含关联关系，即关注或被关注，因此可以将每个主体作为节点，将主体之间的关联关系作为有向边建立有向图，该有向图可以表示主体之间的关联关系；同时，每个有向边还表示两个主体之间的关注系数，从而可以形成该有向图的邻接矩阵A。由于目标主体关注的其他抑郁情绪主体的数量越多，说明该目标主体具有抑郁情绪的可能性越大，则在有向图中，应该是有更多的其他主体指向该目标主体，故本实施例中的有向边表示的是首部主体关注尾部主体的关联关系，而不是尾部主体关注首部主题。例如，四个主体A、B、C、D所形成的的一种有向图可参见图2所示；其中，有向边表示一个主体关注另一个主体，例如，主体A与主体C之间的有向边表示：主体C关注主体A(而不是主体A关注主体C)；主体B与主体D之间有两个不同方向的有向边，其表示主体B关注主体D、且主体D也关注主体B，即主体B与主体D互相关注。
本实施例中，邻接矩阵中的元素ai,j对应第i个主体指向第j个主体的有向边的权，其具体表示第j个主体关注第i个主体的关注系数，若第j个主体不关注第i个主体，则ai,j＝0。同时，一个主体可以关注多个其他主体，相应的对应多个关注系数，为保证一致性，上述的多个关注系数之和为常数c(例如c＝1)，即该邻接矩阵A的一列元素之和为常数，
Figure BDA0002711530600000101
此外可选地，若第j个主体被Lj个其他主体关注，可以为其均匀分配关注系数，即
Figure BDA0002711530600000102
以c＝1为例，图2中的主体A、B、C、D依次为第1个、第2个、第3个、第4个主体，其所对应的邻接矩阵A为：
Figure BDA0002711530600000111
同时，由于本实施例涉及一个目标主体和n个抑郁情绪主体，故该邻接矩阵为(n+1)×(n+1)的矩阵，该邻接矩阵其中的一个主体为目标主体，例如第1个主体为目标主体。可选地，该抑郁情绪主体可以为目标主体直接或间接关注的主体，例如目标主体A关注抑郁情绪主体B，而抑郁情绪主体B关注抑郁情绪主体C，则主体B是目标主体A直接关注的抑郁情绪主体，主体C是目标主体A间接关注的抑郁情绪主体。
在确定每个有向边的权(即ai,j)之后，即可通过加权处理确定每个主体对应的抑郁情绪关注度，即：
Figure BDA0002711530600000112
具体地，在最开始时，可以为每个主体设置初始的抑郁情绪关注度，即设置关注度矩阵
Figure BDA0002711530600000113
的初始值，如Rk＝0，或者
Figure BDA0002711530600000114
等。之后进行加权处理，即可生成新的关注度矩阵：
Figure BDA0002711530600000115
通过现有的幂迭代法进行迭代处理，在其收敛时即可确定相应的关注度矩阵，进而确定每个主体(包括目标主体)的抑郁情绪关注度Rk。
本实施例中，由于邻接矩阵A所对应的n+1个主体中，可能存在某个主体不关注任何其他主体(如图1中的主体A)，或者某个主体不被任何其他主体关注，从而导致邻接矩阵A中的一行或一列全为零，此时存在不收敛的问题，故本实施例对上述的公式(1)进行修正，从而确定本实施例所需的主体关联关系式：
Figure BDA0002711530600000121
之后基于幂迭代法对主体关联关系式进行迭代处理，从而可以从收敛的关注度矩阵中提取出目标主体所对应的抑郁情绪关注度。其中，修正系数λ为小于1的正数，且一般该修正系数λ小于0.5，具体可以为0.2、0.15等。N表示本实施例中所需要的主体总数量，其可以为n+1，也可以是社交平台中所有主体的数量等，本实施例对此不做限定。
本发明实施例中，由于有向图的有向边表示的是首部主体关注尾部主体的关联关系，使得所确定抑郁情绪关注度可以表示目标主体关注其他抑郁情绪主体的程度，抑郁情绪关注度越大，说明目标主体关注其他抑郁情绪主体的程度也越大(如关注数量越多等)，说明该目标主体越有可能具有抑郁情绪。此外，本实施例通过建立经过修正的主体关联关系式，通过幂迭代法使得主体关联关系式能够收敛，从而可以比较准确地确定目标主体的抑郁情绪关注度。
可选地，本实施例基于医患问答数据实现对编码器模型进行预处理。具体地，在上述步骤102“将会话短文本转换为相应的会话特征向量”之前，该方法还包括：
步骤D1：获取与抑郁患者相关的医患问答数据，并从医患问答数据中提取出文本形式的医患问答样本。
步骤D2：根据医患问答样本对编码器模型进行预训练，并生成预训练后的编码器模型。
本发明实施例中，医生在诊断抑郁患者时，会生成相应的医患问答数据，且该医患问答数据可以比较准确地确定哪些患者属于抑郁患者，故以该医患问答数据来训练BERT等编码器模型，可以使得训练结果更加准确。
本发明实施例提供的一种情感识别的方法，以会话抽取的方式提取出目标主体在社交平台发布的会话短文本，基于该会话短文本可以确定相应的会话特征向量和情感倾向指标；同时，基于目标主体与其他抑郁情绪主体之间的关联关系确定相应的抑郁情绪关注度，进而基于会话特征向量、情感倾向指标和抑郁情绪关注度判断目标主体是否存在抑郁情绪。本实施例基于会话抽取的方式，能够更准确地提取出会话短文本，结合编码器模型和决策树，并基于会话特征向量、情感倾向指标和抑郁情绪关注度三者进行共同决策，从而能够更加准确地确定目标主体是否存在抑郁情绪，能够提高识别精度。基于有向图所确定的抑郁情绪关注度可以表示目标主体关注其他抑郁情绪主体的程度，抑郁情绪关注度越大，说明目标主体关注其他抑郁情绪主体的程度也越大，说明该目标主体越有可能具有抑郁情绪。此外，通过建立经过修正的主体关联关系式，通过幂迭代法使得主体关联关系式能够收敛，从而可以比较准确地确定目标主体的抑郁情绪关注度。以医患问答数据来训练等编码器模型，可以使得训练结果更加准确。
上文详细描述了本发明实施例提供的情感识别的方法，该方法也可以通过相应的装置实现，下面详细描述本发明实施例提供的情感识别的装置。
图3示出了本发明实施例所提供的一种情感识别的装置的结构示意图。如图3所示，该情感识别的装置包括：
信息获取模块31，用于获取目标主体的社交信息，所述社交信息包括文本数据和所述目标主体与抑郁情绪主体之间的关联关系；
文本处理模块32，用于对所述文本数据进行会话抽取，提取出会话短文本；基于预设的编码器模型，将所述会话短文本转换为相应的会话特征向量；根据所述会话短文本的情感倾向，确定所述目标主体的情感倾向指标；
关联关系处理模块33，用于根据所述目标主体与抑郁情绪主体之间的关联关系确定所述目标主体的抑郁情绪关注度；
决策模块34，用于根据所述会话特征向量、所述情感倾向指标和所述抑郁情绪关注度进行决策处理，确定所述目标主体是否存在抑郁情绪。
在上述实施例的基础上，所述文本处理模块32根据所述会话短文本的情感倾向，确定所述目标主体的情感倾向指标，包括：
确定所述目标主体的每个所述会话短文本的情感倾向，所述情感倾向包括积极情感倾向、消极情感倾向和中性情感倾向；
统计确定积极情感倾向的会话短文本的数量N(pos)，消极情感倾向的会话短文本的数量N(neg)，以及中性情感倾向的会话短文本的数量N(n)，并确定情感倾向指标；
其中，所述情感倾向指标包括积极情感倾向指标S(pos)和/或消极情感倾向指标S(neg)；所述积极情感倾向指标S(pos)与N(pos)之间为正相关关系、与N(neg)以及N(n)之间均为负相关关系，所述消极情感倾向指标S(neg)与N(neg)之间为正相关关系、与N(pos)以及N(n)之间均为负相关关系。
在上述实施例的基础上，所述关联关系处理33模块根据所述目标主体与抑郁情绪主体之间的关联关系确定所述目标主体的抑郁情绪关注度，包括：
根据所述目标主体与抑郁情绪主体之间的关联关系确定主体关联关系对应的有向图，并确定所述有向图的邻接矩阵A，且：
Figure BDA0002711530600000141
其中，邻接矩阵A中的元素ai,j表示第j个主体关注第i个主体的关注系数，n表示抑郁情绪主体的数量；所述有向图的有向边表示首部主体关注尾部主体的关联关系；
建立主体关联关系式：
Figure BDA0002711530600000151
其中，
Figure BDA0002711530600000152
为关注度矩阵，且关注度矩阵中的元素Rk表示第k个主体的抑郁情绪关注度；λ为修正系数，N表示主体总数量，且0＜λ＜1，N≥n+1；
基于幂迭代法对所述主体关联关系式进行迭代处理，直至所述关注度矩阵收敛，并从收敛的所述关注度矩阵中提取出所述目标主体所对应的抑郁情绪关注度。
在上述实施例的基础上，该装置还包括：预训练模块；
在所述文本处理模块32将所述会话短文本转换为相应的会话特征向量之前，所述预训练模块用于：
获取与抑郁患者相关的医患问答数据，并从所述医患问答数据中提取出文本形式的医患问答样本；
根据所述医患问答样本对编码器模型进行预训练，并生成预训练后的编码器模型。
在上述实施例的基础上，该装置还包括预警模块；
在所述决策模块34确定所述目标主体是否存在抑郁情绪之后，所述预警模块用于：
在确定所述目标主体存在抑郁情绪时，生成预警消息；
或者，在确定所述目标主体存在抑郁情绪时，获取所述目标主体在社交平台展示的位置信息，并生成包含所述位置信息的预警消息。
本发明实施例提供的一种情感识别的装置，以会话抽取的方式提取出目标主体在社交平台发布的会话短文本，基于该会话短文本可以确定相应的会话特征向量和情感倾向指标；同时，基于目标主体与其他抑郁情绪主体之间的关联关系确定相应的抑郁情绪关注度，进而基于会话特征向量、情感倾向指标和抑郁情绪关注度判断目标主体是否存在抑郁情绪。本实施例基于会话抽取的方式，能够更准确地提取出会话短文本，结合编码器模型和决策树，并基于会话特征向量、情感倾向指标和抑郁情绪关注度三者进行共同决策，从而能够更加准确地确定目标主体是否存在抑郁情绪，能够提高识别精度。基于有向图所确定的抑郁情绪关注度可以表示目标主体关注其他抑郁情绪主体的程度，抑郁情绪关注度越大，说明目标主体关注其他抑郁情绪主体的程度也越大，说明该目标主体越有可能具有抑郁情绪。此外，通过建立经过修正的主体关联关系式，通过幂迭代法使得主体关联关系式能够收敛，从而可以比较准确地确定目标主体的抑郁情绪关注度。以医患问答数据来训练等编码器模型，可以使得训练结果更加准确。
此外，本发明实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述情感识别的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
具体的，参见图4所示，本发明实施例还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述情感识别的方法实施例的各个过程。
收发器1130，用于在处理器1120的控制下接收和发送数据。
本发明实施例中，总线架构(用总线1110来代表)，总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线以及存储器控制器、外围总线、加速图形端口(Accelerate Graphical Port，AGP)、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构(Industry Standard Architecture，ISA)总线、微通道体系结构(Micro Channel Architecture，MCA)总线、扩展ISA(Enhanced ISA，EISA)总线、视频电子标准协会(Video Electronics Standards Association，VESA)、外围部件互连(Peripheral Component Interconnect，PCI)总线。
处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)、可编程逻辑阵列(Programmable Logic Array，PLA)、微控制单元(Microcontroller Unit，MCU)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(Random Access Memory，RAM)、闪存(FlashMemory)、只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解，在本发明实施例中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络(ad hoc network)、内联网(intranet)、外联网(extranet)、虚拟专用网(VPN)、局域网(LAN)、无线局域网(WLAN)、广域网(WAN)、无线广域网(WWAN)、城域网(MAN)、互联网(Internet)、公共交换电话网(PSTN)、普通老式电话业务网(POTS)、蜂窝电话网、无线网络、无线保真(Wi-Fi)网络以及两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信(GSM)系统、码分多址(CDMA)系统、全球微波互联接入(WiMAX)系统、通用分组无线业务(GPRS)系统、宽带码分多址(WCDMA)系统、长期演进(LTE)系统、LTE频分双工(FDD)系统、LTE时分双工(TDD)系统、先进长期演进(LTE-A)系统、通用移动通信(UMTS)系统、增强移动宽带(Enhance Mobile Broadband，eMBB)系统、海量机器类通信(massive Machine Type of Communication，mMTC)系统、超可靠低时延通信(UltraReliable Low Latency Communications，uRLLC)系统等。
应理解，本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存(Flash Memory)。
易失性存储器包括：随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。
具体而言，操作系统1151包含各种系统程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器(Media Player)、浏览器(Browser)，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述情感识别的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
计算机可读存储介质包括：永久性和非永久性、可移动和非可移动媒体，是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括：电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本发明实施例中的界定，计算机可读存储介质不包括暂时信号本身，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。
在本申请所提供的几个实施例中，应该理解到，所披露的装置、电子设备和方法，可以通过其他的方式实现。例如，以上描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，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可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，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，也可以是电的、机械的或其他的形式连接。
所述作为分离部件说明的单元可以是或也可以不是物理上分开的，作为单元显示的部件可以是或也可以不是物理单元，既可以位于一个位置，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或全部单元来解决本发明实施例方案要解决的问题。
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，也可以是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，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术作出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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设备(包括：个人计算机、服务器、数据中心或其他网络设备)执行本发明各个实施例所述方法的全部或部分步骤。而上述存储介质包括如前述所列举的各种可以存储程序代码的介质。
以上所述，仅为本发明实施例的具体实施方式，但本发明实施例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实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种情感识别的方法，其特征在于，包括：
获取目标主体的社交信息，所述社交信息包括文本数据和所述目标主体与抑郁情绪主体之间的关联关系；
对所述文本数据进行会话抽取，提取出会话短文本；基于预设的编码器模型，将所述会话短文本转换为相应的会话特征向量；根据所述会话短文本的情感倾向，确定所述目标主体的情感倾向指标；
根据所述目标主体与抑郁情绪主体之间的关联关系确定所述目标主体的抑郁情绪关注度；
根据所述会话特征向量、所述情感倾向指标和所述抑郁情绪关注度进行决策处理，确定所述目标主体是否存在抑郁情绪；
其中，所述根据所述会话短文本的情感倾向，确定所述目标主体的情感倾向指标，包括：
确定所述目标主体的每个所述会话短文本的情感倾向，所述情感倾向包括积极情感倾向、消极情感倾向和中性情感倾向；
统计确定积极情感倾向的会话短文本的数量N(pos)，消极情感倾向的会话短文本的数量N(neg)，以及中性情感倾向的会话短文本的数量N(n)，并确定情感倾向指标；
其中，所述情感倾向指标包括积极情感倾向指标S(pos)和/或消极情感倾向指标S(neg)；所述积极情感倾向指标S(pos)与N(pos)之间为正相关关系、与N(neg)以及N(n)之间均为负相关关系，所述消极情感倾向指标S(neg)与N(neg)之间为正相关关系、与N(pos)以及N(n)之间均为负相关关系；
所述根据所述目标主体与抑郁情绪主体之间的关联关系确定所述目标主体的抑郁情绪关注度，包括：
根据所述目标主体与抑郁情绪主体之间的关联关系确定主体关联关系对应的有向图，并确定所述有向图的邻接矩阵A，且：
Figure FDA0003549731010000011
其中，邻接矩阵A中的元素ai,j表示第j个主体关注第i个主体的关注系数，n表示抑郁情绪主体的数量；所述有向图的有向边表示首部主体关注尾部主体的关联关系；
建立主体关联关系式：
Figure FDA0003549731010000021
其中，
Figure FDA0003549731010000022
为关注度矩阵，且关注度矩阵中的元素Rk表示第k个主体的抑郁情绪关注度；λ为修正系数，N表示主体总数量，且0＜λ＜1，N≥n+1；
基于幂迭代法对所述主体关联关系式进行迭代处理，直至所述关注度矩阵收敛，并从收敛的所述关注度矩阵中提取出所述目标主体所对应的抑郁情绪关注度。
2.根据权利要求1所述的方法，其特征在于，在所述将所述会话短文本转换为相应的会话特征向量之前，还包括：
获取与抑郁患者相关的医患问答数据，并从所述医患问答数据中提取出文本形式的医患问答样本；
根据所述医患问答样本对编码器模型进行预训练，并生成预训练后的编码器模型。
3.根据权利要求1所述的方法，其特征在于，在所述确定所述目标主体是否存在抑郁情绪之后，还包括：
在确定所述目标主体存在抑郁情绪时，生成预警消息；
或者，在确定所述目标主体存在抑郁情绪时，获取所述目标主体在社交平台展示的位置信息，并生成包含所述位置信息的预警消息。
4.一种情感识别的装置，其特征在于，包括：
信息获取模块，用于获取目标主体的社交信息，所述社交信息包括文本数据和所述目标主体与抑郁情绪主体之间的关联关系；
文本处理模块，用于对所述文本数据进行会话抽取，提取出会话短文本；基于预设的编码器模型，将所述会话短文本转换为相应的会话特征向量；根据所述会话短文本的情感倾向，确定所述目标主体的情感倾向指标；
关联关系处理模块，用于根据所述目标主体与抑郁情绪主体之间的关联关系确定所述目标主体的抑郁情绪关注度；
决策模块，用于根据所述会话特征向量、所述情感倾向指标和所述抑郁情绪关注度进行决策处理，确定所述目标主体是否存在抑郁情绪；
其中，所述文本处理模块根据所述会话短文本的情感倾向，确定所述目标主体的情感倾向指标，包括：
确定所述目标主体的每个所述会话短文本的情感倾向，所述情感倾向包括积极情感倾向、消极情感倾向和中性情感倾向；
统计确定积极情感倾向的会话短文本的数量N(pos)，消极情感倾向的会话短文本的数量N(neg)，以及中性情感倾向的会话短文本的数量N(n)，并确定情感倾向指标；
其中，所述情感倾向指标包括积极情感倾向指标S(pos)和/或消极情感倾向指标S(neg)；所述积极情感倾向指标S(pos)与N(pos)之间为正相关关系、与N(neg)以及N(n)之间均为负相关关系，所述消极情感倾向指标S(neg)与N(neg)之间为正相关关系、与N(pos)以及N(n)之间均为负相关关系；
所述关联关系处理模块根据所述目标主体与抑郁情绪主体之间的关联关系确定所述目标主体的抑郁情绪关注度，包括：
根据所述目标主体与抑郁情绪主体之间的关联关系确定主体关联关系对应的有向图，并确定所述有向图的邻接矩阵A，且：
Figure FDA0003549731010000031
其中，邻接矩阵A中的元素ai,j表示第j个主体关注第i个主体的关注系数，n表示抑郁情绪主体的数量；所述有向图的有向边表示首部主体关注尾部主体的关联关系；
建立主体关联关系式：
Figure FDA0003549731010000041
其中，
Figure FDA0003549731010000042
为关注度矩阵，且关注度矩阵中的元素Rk表示第k个主体的抑郁情绪关注度；λ为修正系数，N表示主体总数量，且0＜λ＜1，N≥n+1；
基于幂迭代法对所述主体关联关系式进行迭代处理，直至所述关注度矩阵收敛，并从收敛的所述关注度矩阵中提取出所述目标主体所对应的抑郁情绪关注度。
5.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的情感识别的方法中的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的情感识别的方法中的步骤。
CN202011058408.6A 2020-09-30 2020-09-30 一种情感识别的方法、装置及电子设备 Active CN112199469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011058408.6A CN112199469B (zh) 2020-09-30 2020-09-30 一种情感识别的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011058408.6A CN112199469B (zh) 2020-09-30 2020-09-30 一种情感识别的方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112199469A CN112199469A (zh) 2021-01-08
CN112199469B true CN112199469B (zh) 2022-10-25

Family

ID=74008223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011058408.6A Active CN112199469B (zh) 2020-09-30 2020-09-30 一种情感识别的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112199469B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115730070B (zh) * 2022-11-25 2023-08-08 重庆邮电大学 一种人机共情对话方法、系统、电子设备和介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102890707A (zh) * 2012-08-28 2013-01-23 华南理工大学 一种基于条件随机场的网络短评论情感倾向性挖掘系统
CN105260356A (zh) * 2015-10-10 2016-01-20 西安交通大学 基于多任务学习的中文交互文本情感与话题识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10489690B2 (en) * 2017-10-24 2019-11-26 International Business Machines Corporation Emotion classification based on expression variations associated with same or similar emotions

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102890707A (zh) * 2012-08-28 2013-01-23 华南理工大学 一种基于条件随机场的网络短评论情感倾向性挖掘系统
CN105260356A (zh) * 2015-10-10 2016-01-20 西安交通大学 基于多任务学习的中文交互文本情感与话题识别方法

Also Published As

Publication number Publication date
CN112199469A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
US11545173B2 (en) Automatic speech-based longitudinal emotion and mood recognition for mental health treatment
JP7122341B2 (ja) 翻訳品質を評価するための方法と装置
Nazer et al. Bias in artificial intelligence algorithms and recommendations for mitigation
CN111128391B (zh) 一种信息处理设备、方法和存储介质
CN104574246A (zh) 医疗智能分诊方法、装置及设备
CN109800720B (zh) 情绪识别模型训练方法、情绪识别方法、装置、设备及存储介质
US20220309665A1 (en) Processing fundus images using machine learning models to generate blood-related predictions
CN112199469B (zh) 一种情感识别的方法、装置及电子设备
CN111737978A (zh) 一种购物评价情感分析的方法、装置及电子设备
CN111222327B (zh) 一种词嵌入表示方法、装置及设备
Preum et al. CognitiveEMS: A cognitive assistant system for emergency medical services
CN111160049B (zh) 文本翻译方法、装置、机器翻译系统和存储介质
CN114708976A (zh) 辅助诊断技术的方法、装置、设备及存储介质
CN117149998B (zh) 基于多目标优化的智能就诊推荐方法及系统
Inupakutika et al. Integration of NLP and Speech-to-text Applications with Chatbots
CN113096756A (zh) 病情演变分类方法、装置、电子设备和存储介质
CN116628507A (zh) 数据处理方法、装置、设备及可读存储介质
CN110852066B (zh) 一种基于对抗训练机制的多语言实体关系抽取方法及系统
CN111753062A (zh) 一种会话应答方案确定方法、装置、设备及介质
US20220237883A1 (en) Image processing method and apparatus and storage medium
Biswas et al. Can ChatGPT be Your Personal Medical Assistant?
KR102306953B1 (ko) 음성인식 기반 진료 지원 방법
Hou et al. Code-Switching Automatic Speech Recognition for Nursing Record Documentation: System Development and Evaluation
CN114334161B (zh) 模型训练方法、数据处理方法、装置、介质、电子设备
CN116779137A (zh) 一种基于医疗知识图谱的数据处理方法及系统

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