CN112784048B - 对用户问题进行情感分析的方法、装置、设备及存储介质 - Google Patents

对用户问题进行情感分析的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112784048B
CN112784048B CN202110102667.2A CN202110102667A CN112784048B CN 112784048 B CN112784048 B CN 112784048B CN 202110102667 A CN202110102667 A CN 202110102667A CN 112784048 B CN112784048 B CN 112784048B
Authority
CN
China
Prior art keywords
question
user
classification model
emotion
service type
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
CN202110102667.2A
Other languages
English (en)
Other versions
CN112784048A (zh
Inventor
王忠诚
盛国军
党政明
任涛林
刘子力
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.)
Kaos Digital Technology Qingdao Co ltd
Karos Iot Technology Co ltd
Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd
Original Assignee
Haier Digital Technology Qingdao Co Ltd
Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd
Haier Cosmo IoT 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 Haier Digital Technology Qingdao Co Ltd, Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd, Haier Cosmo IoT Technology Co Ltd filed Critical Haier Digital Technology Qingdao Co Ltd
Priority to CN202110102667.2A priority Critical patent/CN112784048B/zh
Publication of CN112784048A publication Critical patent/CN112784048A/zh
Application granted granted Critical
Publication of CN112784048B publication Critical patent/CN112784048B/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
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例涉及一种对用户问题进行情感分析的方法、装置、电子设备、及存储介质，方法包括：获取用户问题；获取所述问题的所属业务类型，将所述问题按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列；将所述词向量序列输入至预先训练的情感分类模型，获取所述情感分类模型的输出结果信息，其中所述输出结果信息包括所述问题的情感强度。本发明能够有效提高识别用户情感的准确性。

Description

对用户问题进行情感分析的方法、装置、设备及存储介质
技术领域
本发明实施例涉及机器学习技术领域，具体涉及一种对用户问题进行情感分析的方法、装置、电子设备、及存储介质。
背景技术
情感分析技术是通过汇集工业商品评论、舆情、商品产品使用的反馈等多种数据，了解商家和消费者需求，发现产品不足，制定改进方案，能够建立情感状况辨析，据此提高商品的竞争力。
现有的情感分析技术通常采用相同的方法统一地对不同领域的各种数据对象进行情感分析，得到的结果精确度不高。
发明内容
有鉴于此，本发明实施例提供一种对用户问题进行情感分析的方法、装置、电子设备、及存储介质，以提高识别用户情感的准确性。
本发明实施例的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明实施例的实践而习得。
在本公开的第一方面，本发明实施例提供了一种对用户问题进行情感分析的方法，包括：
获取用户问题；
获取所述问题的所属业务类型，将所述问题按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列；
将所述词向量序列输入至预先训练的情感分类模型，获取所述情感分类模型的输出结果信息，其中所述输出结果信息包括所述问题的情感强度。
于一实施例中，获取所述问题的所属业务类型包括：对所述问题进行分词，判断分词结果中是否包含用于表示业务类型的词汇，若是则根据所述用于表示业务类型的词汇确定所述问题的所属业务类型，否则提供用于引导用户选择业务类型的接口，响应于用户在所述接口的操作确定所述问题的所属业务类型。
于一实施例中，在将所述词向量序列输入至预先训练的情感分类模型之前还包括：获取所述问题的至少一个附加标签，分别将各附加标签作为词向量插入到所述词向量序列中。
于一实施例中，所述方法用于问答系统，获取所述问题的至少一个附加标签包括如下至少一种方法：
根据预定规则从所述问题中提取至少一个附加标签；
根据用户对所述问答系统中的引导信息的响应操作获取所述问题的至少一个附加标签；
根据用户使用所述问答系统时选择的分类标签获取所述问题的至少一个附加标签；以及
根据用户提问时的业务场景获取所述问题的至少一个附加标签。
于一实施例中，根据预定规则从所述问题中提取至少一个附加标签包括如下至少一种方法：
根据所述预定规则从所述问题中提取用于表示程度的词语作为附加标签；
根据所述预定规则从所述问题中提取用于表示正面评价的词语作为附加标签；
根据所述预定规则从所述问题中提取用于表示负面评价的词语作为附加标签；以及
根据所述预定规则从所述问题中提取用于否定意思的词语作为附加标签。
于一实施例中，所述方法还包括，在得到词向量序列之后还包括：将所述词向量序列输入至预先训练的业务细分类模型，获取所述业务细分类模型输出的所述问题所属的业务类型子类。
于一实施例中，在获取用户问题之后还包括，获取所述问题的提问场景，若所述提问场景属于工人维护场景或生产场景，则在得到词向量序列之后还包括：将所述词向量序列输入至预先训练的紧急度确定模型，获取所述紧急度确定模型输出的所述问题的紧急度。
于一实施例中，在获取所述紧急度确定模型输出的所述问题的紧急度之后，若所述紧急程度大于预定紧急程度阈值，则对预定的关联系统进行预警提示。
于一实施例中，所述问题包括如下至少一种：咨询类问题、用户投诉、工业产线问题查询请求、售后服务请求、客户筛选问题。
于一实施例中，所述情感分类模型通过如下步骤训练得到：
获取训练样本集合，其中，训练样本包括问题和用于表示问题的情感强度的标注信息；
确定初始化的情感分类模型，其中所述初始化的情感分类模型包括用于输出问题的情感强度的目标层；
利用机器学习的方法，将所述训练样本集合中的训练样本中的问题作为初始化的情感分类模型的输入，将与输入的问题对应的标注信息作为初始化的情感分类模型的期望输出，训练得到所述情感分类模型。
于一实施例中，所述初始化的情感分类模型为BERT算法模型。
于一实施例中，所述训练样本包括如下至少一种：评论、舆情信息、以及用户的使用反馈信息。
在本公开的第二方面，本发明实施例还提供了一种对用户问题进行情感分析的装置，包括：
问题获取单元，用于获取用户问题；
词向量序列提取单元，用于获取所述问题的所属业务类型，将所述问题按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列；
情感强度获取单元，用于将所述词向量序列输入至预先训练的情感分类模型，获取所述情感分类模型的输出结果信息，其中所述输出结果信息包括所述问题的情感强度。
于一实施例中，所述词向量序列提取单元用于获取所述问题的所属业务类型包括：用于对所述问题进行分词，判断分词结果中是否包含用于表示业务类型的词汇，若是则根据所述用于表示业务类型的词汇确定所述问题的所属业务类型，否则提供用于引导用户选择业务类型的接口，响应于用户在所述接口的操作确定所述问题的所属业务类型。
于一实施例中，所述装置还包括标签获取单元和标签插入单元，所述标签获取单元用于在将所述词向量序列输入至预先训练的情感分类模型之前，获取所述问题的至少一个附加标签；
所述标签插入单元用于，分别将各附加标签作为词向量插入到所述词向量序列中。
于一实施例中，所述装置用于问答系统，所述标签获取单元包括如下至少一种：
用于根据预定规则从所述问题中提取至少一个附加标签；
用于根据用户对所述问答系统中的引导信息的响应操作获取所述问题的至少一个附加标签；
用于根据用户使用所述问答系统时选择的分类标签获取所述问题的至少一个附加标签；以及
用于根据用户提问时的业务场景获取所述问题的至少一个附加标签。
于一实施例中，所述标签获取单元包括用于根据预定规则从所述问题中提取至少一个附加标签包括如下至少一种：
用于根据所述预定规则从所述问题中提取用于表示程度的词语作为附加标签；
用于根据所述预定规则从所述问题中提取用于表示正面评价的词语作为附加标签；
用于根据所述预定规则从所述问题中提取用于表示负面评价的词语作为附加标签；以及
用于根据所述预定规则从所述问题中提取用于否定意思的词语作为附加标签。
于一实施例中，所述装置还包括业务类型子类获取单元，用于在得到词向量序列之后：将所述词向量序列输入至预先训练的业务细分类模型，获取所述业务细分类模型输出的所述问题所属的业务类型子类。
于一实施例中，所述装置还包括紧急度获取单元，用于在获取用户问题之后，获取所述问题的提问场景，若所述提问场景属于工人维护场景或生产场景，则在得到词向量序列之后，将所述词向量序列输入至预先训练的紧急度确定模型，获取所述紧急度确定模型输出的所述问题的紧急度。
于一实施例中，所述紧急度获取单元还用于，在获取所述紧急度确定模型输出的所述问题的紧急度之后，若所述紧急程度大于预定紧急程度阈值，则对预定的关联系统进行预警提示。
于一实施例中，所述问题包括如下至少一种：咨询类问题、用户投诉、工业产线问题查询请求、售后服务请求、客户筛选问题。
于一实施例中，所述情感分类模型通过如下模块训练得到：
样本获取模块，用于获取训练样本集合，其中，训练样本包括问题和用于表示问题的情感强度的标注信息；
模型确定单元，用于确定初始化的情感分类模型，其中所述初始化的情感分类模型包括用于输出问题的情感强度的目标层；
模型训练模块，用于利用机器学习的方法，将所述训练样本集合中的训练样本中的问题作为初始化的情感分类模型的输入，将与输入的问题对应的标注信息作为初始化的情感分类模型的期望输出，训练得到所述情感分类模型。
于一实施例中，所述初始化的情感分类模型为BERT算法模型。
于一实施例中，所述训练样本包括如下至少一种：评论、舆情信息、以及用户的使用反馈信息。
在本公开的第三方面，提供了一种电子设备。该电子设备包括：处理器；以及存储器，用于存储可执行指令，所述可执行指令在被所述处理器执行时使得所述电子设备执行第一方面中的方法。
在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面中的方法。
本发明实施例提出的技术方案的有益技术效果是：
本发明实施例通过获取用户问题；获取所述问题的所属业务类型，将所述问题按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列；将所述词向量序列输入至预先训练的情感分类模型，获取所述情感分类模型的输出结果信息，其中所述输出结果信息包括所述问题的情感强度。本发明能够有效提高识别用户情感的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明实施例中的一部分实施例，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，还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1是根据本发明实施例提供的一种对用户问题进行情感分析的方法的流程示意图；
图2是根据本发明实施例提供的另一种对用户问题进行情感分析的方法的流程示意图；
图3是本公开实施例提供的一种情感分类模型的训练方法的流程示意图；
图4是根据本发明实施例提供的一种对用户问题进行情感分析的装置的结构示意图；
图5是根据本发明实施例提供的另一种对用户问题进行情感分析的装置的结构示意图；
图6是本公开实施例提供的一种情感分类模型的训练装置的结构示意图；
图7示出了适于用来实现本发明实施例的电子设备的结构示意图。
具体实施方式
为使本发明实施例解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本发明实施例中的一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。
需要说明的是，本发明实施例中术语“系统”和“网络”在本文中常被可互换使用。本发明实施例中提到的“和/或”是指包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。
还需要说明是，本发明实施例中下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本发明实施例对此不作具体限制。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面结合附图并通过具体实施方式来进一步说明本发明实施例的技术方案。
图1示出了本发明实施例提供的一种对用户问题进行情感分析的方法的流程示意图，本实施例可适用于对用户问题进行情感分析的情况，该方法可以由配置于电子设备中的对用户问题进行情感分析的装置来执行，如图1所示，本实施例所述的对用户问题进行情感分析的方法包括：
在步骤S110中，获取用户问题。
接收用户向问答系统提出的问题,根据本公开的一个或多个实施例，所述问题可包括咨询类问题、用户投诉、工业产线问题查询请求、售后服务请求、以及客户筛选问题等一种或多种类型,该问题可以是用户通过语音形式发出的也可以文字形式发出的。
在步骤S120中，获取所述问题的所属业务类型，将所述问题按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列。
问答系统对应于不同的业务类型,按照问题类型来分可包括咨询类问题、用户投诉、工业产线问题查询请求、售后服务请求、以及客户筛选问题等,接照问题背后的产品可根据产品类型进行业务类型分类,例如空调类、洗衣机类、热水器类，进一步地，还可对同一业务类型进一步细分为多个业务类型子类，例如空调类还可细分为1.5匹子类、2匹配子类、中央空调类等，进而1.5匹子类还可以根据型号不同进一步细分为更下一级的子类。不同的业务类型里有不同的专业术语、固定术语、专业称谓、简称、别等等，对问题进行分词时对问题所对应的自然语言的语句进行分词的方式会有所不同，对语句进行特征向量提取时的方式也不同。
对问题进行特征向量提取得到词向量序列，是为了提取问题的重点、核心点和关键点，将所述问题按照业务类型对应的词袋模型进行特征向量提取得到词向量序列，能够得到更加准确的词向量序列。
其中，获取所述问题的所属业务类型可采用多种方法，例如可对所述问题进行分词，判断分词结果中是否包含用于表示业务类型的词汇，若分词结果中包含用于表示业务类型的词汇，则根据所述用于表示业务类型的词汇确定所述问题的所属业务类型。若分词结果中未包含用于表示业务类型的词汇，可提供用于引导用户选择业务类型的接口，响应于用户在所述接口的操作确定所述问题的所属业务类型。
根据本公开的一个或多个实施例，在得到词向量序列之后还可将所述词向量序列输入至预先训练的业务细分类模型，获取所述业务细分类模型输出的所述问题所属的业务类型子类。
在步骤S130中，将所述词向量序列输入至预先训练的情感分类模型，获取所述情感分类模型的输出结果信息，其中所述输出结果信息包括所述问题的情感强度。
其中，所述情感分类模型的训练方法如图3所示的实施例所示。
根据本公开的一个或多个实施例，在获取用户问题之后还包括，获取所述问题的提问场景，若所述提问场景属于工人维护场景或生产场景，则在得到词向量序列之后，还可将所述词向量序列输入至预先训练的紧急度确定模型，获取所述紧急度确定模型输出的所述问题的紧急度。
进一步地，在获取所述紧急度确定模型输出的所述问题的紧急度之后，若所述紧急程度大于预定紧急程度阈值，则对预定的关联系统进行预警提示。
本实施例通过获取用户问题；获取所述问题的所属业务类型，将所述问题按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列；将所述词向量序列输入至预先训练的情感分类模型，获取所述情感分类模型的输出结果信息，其中所述输出结果信息包括所述问题的情感强度，能够按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列，据此获取情感强度，能够有效提高识别用户情感的准确性。
图2示出了本发明实施例提供的另一种对用户问题进行情感分析的方法的流程示意图，本实施例以前述实施例为基础，进行了改进优化。如图2所示，本实施例所述的对用户问题进行情感分析的方法包括：
在步骤S210中，获取用户问题。
根据本公开的一个或多个实施例，所述问题可包括咨询类问题、用户投诉、工业产线问题查询请求、售后服务请求、以及客户筛选问题等一种或多种类型。
在步骤S220中，获取所述问题的至少一个附加标签。
问题的附加标签包括能够进一步限定问题范围的特征词、能够反应问题的重点、核心点和/或关键点的特征词。例如附加标签可以是问题所属的业务类型、问题所属的业务类型子类、用户提出问题时的场景等，另外，也可以对用户问题按照预定规则抽取或匹配后得到，例如程度副词、否定词、正面评价词、负面评价词等。
另外，若问题为用户通过语音形式提出的，还可以是根据语音分析出的急切情感、以及可根据语音状态分析出的愤怒情感等。
获取所述问题的至少一个附加标签可采用多种方法：
例如，在问答系统中，可根据预定规则从所述问题中提取至少一个附加标签。
又如，可根据用户对所述问答系统中的引导信息的响应操作获取所述问题的至少一个附加标签。
再如，可根据用户使用所述问答系统时选择的分类标签获取所述问题的至少一个附加标签。
再如，还可根据用户提问时的业务场景获取所述问题的至少一个附加标签。
进一步地，根据预定规则从所述问题中提取至少一个附加标签也可采用多种方法，例如，可根据所述预定规则从所述问题中提取用于表示程度的词语作为附加标签。
又如，可根据所述预定规则从所述问题中提取用于表示正面评价的词语作为附加标签。
再如，可根据所述预定规则从所述问题中提取用于表示负面评价的词语作为附加标签。
再如，还可根据所述预定规则从所述问题中提取用于否定意思的词语作为附加标签。
在步骤S230中，获取所述问题的所属业务类型，将所述问题按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列。
其中，获取所述问题的所属业务类型可采用多种方法，例如可对所述问题进行分词，判断分词结果中是否包含用于表示业务类型的词汇，若是则根据所述用于表示业务类型的词汇确定所述问题的所属业务类型，否则提供用于引导用户选择业务类型的接口，响应于用户在所述接口的操作确定所述问题的所属业务类型。
根据本公开的一个或多个实施例，在得到词向量序列之后还可将所述词向量序列输入至预先训练的业务细分类模型，获取所述业务细分类模型输出的所述问题所属的业务类型子类。
在步骤S240中，分别将各附加标签作为词向量插入到所述词向量序列中。
具体的插入方法可根据当前语种的语法规则，以及附加标签的词性和特征等信息进行有机融合，例如，若当前语句为“电机发热”，附加标签为“空调”，可将附加标签嵌入到词向量序列后得到“空调电机发热”。
在步骤S250中，将所述词向量序列输入至预先训练的情感分类模型，获取所述情感分类模型的输出结果信息，其中所述输出结果信息包括所述问题的情感强度。
根据本公开的一个或多个实施例，在获取用户问题之后还包括，获取所述问题的提问场景，若所述提问场景属于工人维护场景或生产场景，则在得到词向量序列之后，还可将所述词向量序列输入至预先训练的紧急度确定模型，获取所述紧急度确定模型输出的所述问题的紧急度。
进一步地，在获取所述紧急度确定模型输出的所述问题的紧急度之后，若所述紧急程度大于预定紧急程度阈值，则对预定的关联系统进行预警提示。
在上一实施例的基础之上，本实施例还包括获取所述问题的至少一个附加标签，分别将各附加标签作为词向量插入到所述词向量序列中，以进一步增加用户问题的关键信息，能够进一步提高识别用户情感的准确性。
图3是本公开实施例提供的一种情感分类模型的训练方法的流程示意图，如图3所示，本公开实施例所述的情感分类模型的训练方法包括：
在步骤S310中、获取训练样本集合，其中，训练样本包括问题和用于表示问题的情感强度的标注信息。
其中，所述训练样本可包括评论、舆情信息、以及用户的使用反馈信息等一种或多种类型。
在步骤S320中、确定初始化的情感分类模型，其中所述初始化的情感分类模型包括用于输出问题的情感强度的目标层。
所述初始化的情感分类模型可为多种类型，例如可为BERT算法模型。
在步骤S330中、利用机器学习的方法，将所述训练样本集合中的训练样本中的问题作为初始化的情感分类模型的输入，将与输入的问题对应的标注信息作为初始化的情感分类模型的期望输出，训练得到所述情感分类模型。
本实施例的技术方案公开了一种情感分类模型的训练方法，通过获取训练样本集合，其中，训练样本包括问题和用于表示问题的情感强度的标注信息；确定初始化的情感分类模型，其中所述初始化的情感分类模型包括用于输出问题的情感强度的目标层；利用机器学习的方法，将所述训练样本集合中的训练样本中的问题作为初始化的情感分类模型的输入，将与输入的问题对应的标注信息作为初始化的情感分类模型的期望输出，训练得到所述情感分类模型。，通过该方案能够得到经训练的情感分类模型，生成用户问题的情感强度。
作为上述各图所示方法的实现，本申请提供了一种对用户问题进行情感分析的装置的一个实施例,图4示出了本实施例提供的一种对用户问题进行情感分析的装置的结构示意图，该装置实施例与图1至图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。如图4所示，本实施例所述的对用户问题进行情感分析的装置包括问题获取单元410、词向量序列提取单元420和情感强度获取单元430。
所述问题获取单元410被配置为，用于获取用户问题。
所述词向量序列提取单元420被配置为，用于获取所述问题的所属业务类型，将所述问题按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列。
所述情感强度获取单元430被配置为，用于将所述词向量序列输入至预先训练的情感分类模型，获取所述情感分类模型的输出结果信息，其中所述输出结果信息包括所述问题的情感强度。
根据本公开的一个或多个实施例，所述词向量序列提取单元420被配置为用于获取所述问题的所属业务类型包括：被配置为用于对所述问题进行分词，判断分词结果中是否包含用于表示业务类型的词汇，若是则根据所述用于表示业务类型的词汇确定所述问题的所属业务类型，否则提供用于引导用户选择业务类型的接口，响应于用户在所述接口的操作确定所述问题的所属业务类型。
根据本公开的一个或多个实施例，所述装置还包括业务类型子类获取单元(图4中未示出)，所述业务类型子类获取单元被配置为用于在得到词向量序列之后，将所述词向量序列输入至预先训练的业务细分类模型，获取所述业务细分类模型输出的所述问题所属的业务类型子类。
根据本公开的一个或多个实施例，所述装置还包括紧急度获取单元(图4中未示出)，所述紧急度获取单元被配置为，用于在获取用户问题之后，获取所述问题的提问场景，若所述提问场景属于工人维护场景或生产场景，则在得到词向量序列之后，将所述词向量序列输入至预先训练的紧急度确定模型，获取所述紧急度确定模型输出的所述问题的紧急度。
根据本公开的一个或多个实施例，所述紧急度获取单元被配置为，还用于在获取所述紧急度确定模型输出的所述问题的紧急度之后，若所述紧急程度大于预定紧急程度阈值，则对预定的关联系统进行预警提示。
根据本公开的一个或多个实施例，所述问题包括如下至少一种：咨询类问题、用户投诉、工业产线问题查询请求、售后服务请求、客户筛选问题。
图6是本公开实施例提供的一种情感分类模型的训练装置的结构示意图，如图6所示，所述情感分类模型可通过样本获取模块610、模型确定单元620和模型训练模块630训练得到。
所述样本获取模块610被配置为，用于获取训练样本集合，其中，训练样本包括问题和用于表示问题的情感强度的标注信息。
所述模型确定单元620被配置为，用于确定初始化的情感分类模型，其中所述初始化的情感分类模型包括用于输出问题的情感强度的目标层。
所述模型训练模块被配置为630，用于利用机器学习的方法，将所述训练样本集合中的训练样本中的问题作为初始化的情感分类模型的输入，将与输入的问题对应的标注信息作为初始化的情感分类模型的期望输出，训练得到所述情感分类模型。
根据本公开的一个或多个实施例，所述初始化的情感分类模型为BERT算法模型。
根据本公开的一个或多个实施例，所述训练样本包括如下至少一种：评论、舆情信息、以及用户的使用反馈信息。
本实施例提供的对用户问题进行情感分析的装置可执行本公开方法实施例所提供的对用户问题进行情感分析的方法，具备执行方法相应的功能模块和有益效果。
图5示出了本发明实施例提供的另一种对用户问题进行情感分析的装置的结构示意图，如图5所示，本实施例所述的对用户问题进行情感分析的装置包括问题获取单元510、标签获取单元520、词向量序列提取单元530、标签插入单元540和情感强度获取单元550。
所述问题获取单元510，被配置为用于获取用户问题。
所述标签获取单元520，被配置为用于在将所述词向量序列输入至预先训练的情感分类模型之前，获取所述问题的至少一个附加标签。
所述词向量序列提取单元530，被配置为用于获取所述问题的所属业务类型，将所述问题按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列。
所述标签插入单元540，被配置为用于分别将各附加标签作为词向量插入到所述词向量序列中。
所述情感强度获取单元550，被配置为用于将所述词向量序列输入至预先训练的情感分类模型，获取所述情感分类模型的输出结果信息，其中所述输出结果信息包括所述问题的情感强度。
根据本公开的一个或多个实施例，所述词向量序列提取单元530被配置为用于获取所述问题的所属业务类型包括：用于对所述问题进行分词，判断分词结果中是否包含用于表示业务类型的词汇，若是则根据所述用于表示业务类型的词汇确定所述问题的所属业务类型，否则提供用于引导用户选择业务类型的接口，响应于用户在所述接口的操作确定所述问题的所属业务类型。
根据本公开的一个或多个实施例，所述装置用于问答系统，所述标签获取单元包括如下至少一种：
用于根据预定规则从所述问题中提取至少一个附加标签；
用于根据用户对所述问答系统中的引导信息的响应操作获取所述问题的至少一个附加标签；
用于根据用户使用所述问答系统时选择的分类标签获取所述问题的至少一个附加标签；以及
用于根据用户提问时的业务场景获取所述问题的至少一个附加标签。
根据本公开的一个或多个实施例，所述标签获取单元520可：
用于根据所述预定规则从所述问题中提取用于表示程度的词语作为附加标签；
用于根据所述预定规则从所述问题中提取用于表示正面评价的词语作为附加标签；
用于根据所述预定规则从所述问题中提取用于表示负面评价的词语作为附加标签；以及
用于根据所述预定规则从所述问题中提取用于否定意思的词语作为附加标签。
根据本公开的一个或多个实施例，所述装置还包括业务类型子类获取单元(图5中未示出)，所述业务类型子类获取单元用于在得到词向量序列之后，将所述词向量序列输入至预先训练的业务细分类模型，获取所述业务细分类模型输出的所述问题所属的业务类型子类。
根据本公开的一个或多个实施例，所述装置还包括紧急度获取单元(图5中未示出)，所述紧急度获取单元用于在获取用户问题之后，获取所述问题的提问场景，若所述提问场景属于工人维护场景或生产场景，则在得到词向量序列之后，将所述词向量序列输入至预先训练的紧急度确定模型，获取所述紧急度确定模型输出的所述问题的紧急度。
根据本公开的一个或多个实施例，所述紧急度获取单元还用于，在获取所述紧急度确定模型输出的所述问题的紧急度之后，若所述紧急程度大于预定紧急程度阈值，则对预定的关联系统进行预警提示。
根据本公开的一个或多个实施例，所述问题包括如下至少一种：
咨询类问题、用户投诉、工业产线问题查询请求、售后服务请求、客户筛选问题。
根据本公开的一个或多个实施例，所述情感分类模型通过如图6所示的样本获取模块610、模型确定单元620以及模型训练模块630训练得到。
所述样本获取模块610被配置为，用于获取训练样本集合，其中，训练样本包括问题和用于表示问题的情感强度的标注信息。
所述模型确定单元620被配置为，用于确定初始化的情感分类模型，其中所述初始化的情感分类模型包括用于输出问题的情感强度的目标层。
所述模型训练模块630被配置为，用于利用机器学习的方法，将所述训练样本集合中的训练样本中的问题作为初始化的情感分类模型的输入，将与输入的问题对应的标注信息作为初始化的情感分类模型的期望输出，训练得到所述情感分类模型。
根据本公开的一个或多个实施例，所述初始化的情感分类模型为BERT算法模型。
根据本公开的一个或多个实施例，所述训练样本包括如下至少一种：评论、舆情信息、以及用户的使用反馈信息。
本实施例提供的对用户问题进行情感分析的装置可执行本公开方法实施例所提供的对用户问题进行情感分析的方法，具备执行方法相应的功能模块和有益效果。
下面参考图7，其示出了适于用来实现本发明实施例的电子设备700的结构示意图。本发明实施例中的上述终端设备，例如为移动设备、电脑、或浮动车中内置的车载设备等，或其任意组合。在一些实施例中，移动设备例如可以包括手机、智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备等，或其任意组合。图7示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本发明实施例的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明实施例的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本发明实施例的方法中限定的上述功能。
需要说明的是，本发明实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取用户问题；获取所述问题的所属业务类型，将所述问题按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列；将所述词向量序列输入至预先训练的情感分类模型，获取所述情感分类模型的输出结果信息，其中所述输出结果信息包括所述问题的情感强度。
可以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的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地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、或者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)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本发明实施例各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
以上描述仅为本发明实施例的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种对用户问题进行情感分析的方法，其特征在于，包括：
获取用户问题；
获取所述问题的所属业务类型，将所述问题按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列；
将所述词向量序列输入至预先训练的情感分类模型，获取所述情感分类模型的输出结果信息，其中所述输出结果信息包括所述问题的情感强度；
获取所述问题的所属业务类型包括：
对所述问题进行分词，判断分词结果中是否包含用于表示业务类型的词汇，若是则根据所述用于表示业务类型的词汇确定所述问题的所属业务类型，否则提供用于引导用户选择业务类型的接口，响应于用户在所述接口的操作确定所述问题的所属业务类型。
2.根据权利要求1所述的方法，其特征在于，在将所述词向量序列输入至预先训练的情感分类模型之前还包括：
获取所述问题的至少一个附加标签，分别将各附加标签作为词向量插入到所述词向量序列中。
3.根据权利要求2所述的方法，其特征在于，所述方法用于问答系统，获取所述问题的至少一个附加标签包括如下至少一种方法：
根据预定规则从所述问题中提取至少一个附加标签；
根据用户对所述问答系统中的引导信息的响应操作获取所述问题的至少一个附加标签；
根据用户使用所述问答系统时选择的分类标签获取所述问题的至少一个附加标签；以及
根据用户提问时的业务场景获取所述问题的至少一个附加标签。
4.根据权利要求3所述的方法，其特征在于，根据预定规则从所述问题中提取至少一个附加标签包括如下至少一种方法：
根据所述预定规则从所述问题中提取用于表示程度的词语作为附加标签；
根据所述预定规则从所述问题中提取用于表示正面评价的词语作为附加标签；
根据所述预定规则从所述问题中提取用于表示负面评价的词语作为附加标签；以及
根据所述预定规则从所述问题中提取用于否定意思的词语作为附加标签。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括，在得到词向量序列之后还包括：
将所述词向量序列输入至预先训练的业务细分类模型，获取所述业务细分类模型输出的所述问题所属的业务类型子类。
6.根据权利要求1所述的方法，其特征在于，在获取用户问题之后还包括，获取所述问题的提问场景，若所述提问场景属于工人维护场景或生产场景，则在得到词向量序列之后还包括：
将所述词向量序列输入至预先训练的紧急度确定模型，获取所述紧急度确定模型输出的所述问题的紧急度。
7.根据权利要求6所述的方法，其特征在于，在获取所述紧急度确定模型输出的所述问题的紧急度之后，若所述紧急程度大于预定紧急程度阈值，则对预定的关联系统进行预警提示。
8.根据权利要求1所述的方法，其特征在于，所述问题包括如下至少一种：
咨询类问题、用户投诉、工业产线问题查询请求、售后服务请求、客户筛选问题。
9.根据权利要求1-8任一项所述的方法，其特征在于，所述情感分类模型通过如下步骤训练得到：
获取训练样本集合，其中，训练样本包括问题和用于表示问题的情感强度的标注信息；
确定初始化的情感分类模型，其中所述初始化的情感分类模型包括用于输出问题的情感强度的目标层；
利用机器学习的方法，将所述训练样本集合中的训练样本中的问题作为初始化的情感分类模型的输入，将与输入的问题对应的标注信息作为初始化的情感分类模型的期望输出，训练得到所述情感分类模型。
10.根据权利要求9所述的方法，其特征在于，所述初始化的情感分类模型为BERT算法模型。
11.根据权利要求9所述的方法，其特征在于，所述训练样本包括如下至少一种：评论、舆情信息、以及用户的使用反馈信息。
12.一种对用户问题进行情感分析的装置，其特征在于，包括：
问题获取单元，用于获取用户问题；
词向量序列提取单元，用于获取所述问题的所属业务类型，将所述问题按照所述业务类型对应的词袋模型进行特征向量提取得到词向量序列；
情感强度获取单元，用于将所述词向量序列输入至预先训练的情感分类模型，获取所述情感分类模型的输出结果信息，其中所述输出结果信息包括所述问题的情感强度；
所述词向量序列提取单元被配置为用于获取所述问题的所属业务类型包括：用于对所述问题进行分词，判断分词结果中是否包含用于表示业务类型的词汇，若是则根据所述用于表示业务类型的词汇确定所述问题的所属业务类型，否则提供用于引导用户选择业务类型的接口，响应于用户在所述接口的操作确定所述问题的所属业务类型。
13.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
存储器，用于存储可执行指令，所述可执行指令在被所述一个或多个处理器执行时，使得所述电子设备执行如权利要求1-11中任一项所述的方法。
14.一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1-11任一项所述的方法。
CN202110102667.2A 2021-01-26 2021-01-26 对用户问题进行情感分析的方法、装置、设备及存储介质 Active CN112784048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110102667.2A CN112784048B (zh) 2021-01-26 2021-01-26 对用户问题进行情感分析的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110102667.2A CN112784048B (zh) 2021-01-26 2021-01-26 对用户问题进行情感分析的方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112784048A CN112784048A (zh) 2021-05-11
CN112784048B true CN112784048B (zh) 2023-03-28

Family

ID=75757780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110102667.2A Active CN112784048B (zh) 2021-01-26 2021-01-26 对用户问题进行情感分析的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112784048B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291696A (zh) * 2017-06-28 2017-10-24 达而观信息科技（上海）有限公司 一种基于深度学习的评论词情感分析方法及系统
CN108647205A (zh) * 2018-05-02 2018-10-12 深圳前海微众银行股份有限公司 细粒度情感分析模型构建方法、设备及可读存储介质
CN109670167A (zh) * 2018-10-24 2019-04-23 国网浙江省电力有限公司 一种基于Word2Vec的电力客服工单情感量化分析方法
CN110110326A (zh) * 2019-04-25 2019-08-09 西安交通大学 一种基于主题信息的文本切割方法
CN110309308A (zh) * 2019-06-27 2019-10-08 北京金山安全软件有限公司 一种文字信息的分类方法、装置及电子设备
CN110427519A (zh) * 2019-07-31 2019-11-08 腾讯科技（深圳）有限公司 视频的处理方法及装置
CN110717017A (zh) * 2019-10-17 2020-01-21 腾讯科技（深圳）有限公司 一种处理语料的方法
CN111797265A (zh) * 2020-06-30 2020-10-20 韶关市启之信息技术有限公司 一种基于多模态技术的拍照命名方法与系统
CN111930940A (zh) * 2020-07-30 2020-11-13 腾讯科技（深圳）有限公司 一种文本情感分类方法、装置、电子设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291696A (zh) * 2017-06-28 2017-10-24 达而观信息科技（上海）有限公司 一种基于深度学习的评论词情感分析方法及系统
CN108647205A (zh) * 2018-05-02 2018-10-12 深圳前海微众银行股份有限公司 细粒度情感分析模型构建方法、设备及可读存储介质
CN109670167A (zh) * 2018-10-24 2019-04-23 国网浙江省电力有限公司 一种基于Word2Vec的电力客服工单情感量化分析方法
CN110110326A (zh) * 2019-04-25 2019-08-09 西安交通大学 一种基于主题信息的文本切割方法
CN110309308A (zh) * 2019-06-27 2019-10-08 北京金山安全软件有限公司 一种文字信息的分类方法、装置及电子设备
CN110427519A (zh) * 2019-07-31 2019-11-08 腾讯科技（深圳）有限公司 视频的处理方法及装置
CN110717017A (zh) * 2019-10-17 2020-01-21 腾讯科技（深圳）有限公司 一种处理语料的方法
CN111797265A (zh) * 2020-06-30 2020-10-20 韶关市启之信息技术有限公司 一种基于多模态技术的拍照命名方法与系统
CN111930940A (zh) * 2020-07-30 2020-11-13 腾讯科技（深圳）有限公司 一种文本情感分类方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112784048A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN108985358B (zh) 情绪识别方法、装置、设备及存储介质
CN107273531B (zh) 电话号码分类识别方法、装置、设备及存储介质
CN112633380A (zh) 兴趣点特征提取方法、装置、电子设备及存储介质
US20180349781A1 (en) Method and device for judging news quality and storage medium
CN113064964A (zh) 文本分类方法、模型训练方法、装置、设备以及存储介质
CN107948437B (zh) 熄屏显示方法和装置
CN113221565A (zh) 实体识别模型的训练方法、装置、电子设备及存储介质
CN112613306A (zh) 抽取实体关系的方法、装置、电子设备、及存储介质
CN110874534A (zh) 数据处理方法和数据处理装置
CN115757731A (zh) 对话问句改写方法、装置、计算机设备及存储介质
CN114817478A (zh) 基于文本的问答方法、装置、计算机设备及存储介质
CN114444508A (zh) 日期识别方法、装置、可读介质及电子设备
CN114170575A (zh) 一种火焰识别方法、装置、电子设备及存储介质
CN112669850A (zh) 语音质量检测方法、装置、计算机设备及存储介质
CN112069786A (zh) 文本信息处理方法、装置、电子设备及介质
CN112784048B (zh) 对用户问题进行情感分析的方法、装置、设备及存储介质
CN113111167A (zh) 基于深度学习模型的接处警文本车辆型号提取方法和装置
CN110852103A (zh) 一种命名实体识别方法及装置
CN113569929B (zh) 基于小样本扩展的互联网服务提供方法、装置及电子设备
CN114141236B (zh) 语言模型更新方法、装置、电子设备及存储介质
CN113570205A (zh) 基于单分类的api风险设备识别方法、装置及电子设备
CN111753548A (zh) 信息获取方法及装置、计算机存储介质、电子设备
CN112465149A (zh) 同城件识别方法、装置、电子设备以及存储介质
CN111738311A (zh) 面向多任务的特征提取方法、装置及电子设备
CN113806485B (zh) 一种基于小样本冷启动的意图识别方法、装置及可读介质

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
CB02 Change of applicant information

Address after: Room 402, block B, Qingdao International Innovation Park, No.1 Keyuan Weiyi Road, Zhonghan street, Laoshan District, Qingdao City, Shandong Province, 266101

Applicant after: Haier digital technology (Qingdao) Co.,Ltd.

Applicant after: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Applicant after: Haier Kaos IOT Technology Co.,Ltd.

Address before: Room 402, block B, Qingdao International Innovation Park, No.1 Keyuan Weiyi Road, Zhonghan street, Laoshan District, Qingdao City, Shandong Province, 266101

Applicant before: Haier digital technology (Qingdao) Co.,Ltd.

Applicant before: QINGDAO HAIER INDUSTRIAL INTELLIGENCE RESEARCH INSTITUTE Co.,Ltd.

Applicant before: Haier CAOS IOT Ecological Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: Room 3003, Tower D1, Qingdao International Innovation Park, No. 1, Keyuan Weiyi Road, Laoshan District, Qingdao, Shandong 266101

Patentee after: Kaos Digital Technology (Qingdao) Co.,Ltd.

Patentee after: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Patentee after: Karos IoT Technology Co.,Ltd.

Address before: Room 402, block B, Qingdao International Innovation Park, No.1 Keyuan Weiyi Road, Zhonghan street, Laoshan District, Qingdao City, Shandong Province, 266101

Patentee before: Haier digital technology (Qingdao) Co.,Ltd.

Patentee before: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Patentee before: Haier Kaos IOT Technology Co.,Ltd.

CP03 Change of name, title or address