CN113449087B - 信息处理方法、装置、设备及计算机可读存储介质 - Google Patents
信息处理方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113449087B CN113449087B CN202010219310.8A CN202010219310A CN113449087B CN 113449087 B CN113449087 B CN 113449087B CN 202010219310 A CN202010219310 A CN 202010219310A CN 113449087 B CN113449087 B CN 113449087B
- Authority
- CN
- China
- Prior art keywords
- sentence
- statement
- specific
- information
- determining
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 119
- 238000003672 processing method Methods 0.000 title claims abstract description 48
- 230000008451 emotion Effects 0.000 claims abstract description 256
- 238000004458 analytical method Methods 0.000 claims abstract description 83
- 239000013598 vector Substances 0.000 claims description 231
- 238000000034 method Methods 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 26
- 238000012098 association analyses Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 239000010410 layer Substances 0.000 description 80
- 230000008569 process Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 239000002356 single layer Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000012634 fragment Substances 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002996 emotional effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000287196 Asthenes Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—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
- G06F16/35—Clustering; Classification
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
Abstract
本发明公开了一种信息处理方法、装置、设备及计算机可读存储介质。其中,信息处理方法包括:获取对话文本,对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;第一语句集合包括至少两条第一语句,第二语句集合包括至少两条第二语句;对第一语句集合和第二语句集合进行关联性分析,获得第一语句集合中特定第一语句的关联语句信息;关联语句信息用于表示特定第一语句与第二语句集合中每一条第二语句的相关性;根据特定第一语句及其关联语句信息,确定特定第一语句的语句特征;根据特定第一语句的语句特征,确定第一对象所属的目标情感类别。根据本发明实施例,能够基于对话文本快速、准确地分析出第一对象所属的目标情感类别。
Description
技术领域
本发明属于信息处理技术领域,尤其涉及一种信息处理方法、装置、设备及计算机可读存储介质。
背景技术
在客服人员为潜在或事实客户提供服务后,一般会对客户进行满意度调查,让客户填写对客服人员所提供服务的满意度评价,使商家能够根据客户所填写的满意度评价快速定位到低质量的服务对话,分析低质量原因,进而提高客服人员的服务质量。
但是,由于手动填写比较繁琐,客户可能不会完成满意度调查,或者,客户所做出的满意度评价并非与真实意愿相符,降低了满意度评价的获取效率和真实性,使得商家无法及时了解每个客户对客服人员所提供服务的真实感受,从而无法对客服人员的服务质量进行改进。
发明内容
本发明实施例提供一种信息处理方法、装置、设备及计算机可读存储介质,能够基于对话文本快速、准确地分析出第一对象所属的目标情感类别。
第一方面,本发明实施例提供一种信息处理方法,包括:
获取对话文本,对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;第一语句集合包括至少两条第一语句,第二语句集合包括至少两条第二语句;
对第一语句集合和第二语句集合进行关联性分析,获得第一语句集合中特定第一语句的关联语句信息;关联语句信息用于表示特定第一语句与第二语句集合中每一条第二语句的相关性;
根据特定第一语句及其关联语句信息,确定特定第一语句的语句特征;
根据特定第一语句的语句特征,确定第一对象所属的目标情感类别。
第二方面,本发明实施例提供了一种信息处理方法,该方法基于预设的信息处理模型实现,该信息处理模型包括输入层、关联性分析层、语句特征统计层和情感类别预测层,该方法包括:
输入层获取对话文本,对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;第一语句集合包括至少两条第一语句,第二语句集合包括至少两条第二语句;
关联性分析层对第一语句集合和第二语句集合进行关联性分析,获得第一语句集合中特定第一语句的关联语句信息;关联语句信息用于表示特定第一语句与第二语句集合中每一条第二语句的相关性;
语句特征统计层根据特定第一语句及其关联语句信息,确定特定第一语句的语句特征;
情感类别预测层根据特定第一语句的语句特征,确定第一对象所属的目标情感类别。
第三方面,本发明实施例提供了一种信息处理方法,包括:
获取对话文本,对话文本包括客户对应的客户语句集合和客服人员对应的客服语句集合;客户语句集合包括至少两条客户语句,客服语句集合包括至少两条客服语句;
对客户语句集合和客服语句集合进行关联性分析,获得客户语句集合中特定客户语句的关联语句信息;关联语句信息用于表示特定客户语句与客服语句集合中每一条客服语句的相关性;
根据特定客户语句及其关联语句信息,确定特定客户语句的语句特征;
根据特定客户语句的语句特征,确定客户所属的目标情感类别。
第四方面,本发明实施例提供了一种信息处理方法,包括:
获取第一对象对应的当前第一语句和历史对话文本,所述历史对话文本包括所述第一对象应的历史第一语句集合和第二对象对应的历史第二语句集合;所述历史第一语句集合包括至少一条历史第一语句,所述历史第二语句集合包括至少两条历史第二语句;
对所述当前第一语句和所述历史对话文本集合进行关联性分析,获得所述当前第一语句的关联语句信息;所述关联语句信息用于表示所述当前第一语句与所述历史第二语句集合中每一条所述历史第二语句的相关性;
根据所述当前第一语句及其关联语句信息,确定所述当前第一语句的语句特征;
根据所述当前第一语句的语句特征,确定所述第一对象所属的当前目标情感类别;
向所述第二对象发送所述当前目标情感类别。
第五方面,本发明实施例提供了一种信息处理装置,装置包括:
第一文本获取模块,用于获取对话文本,对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;第一语句集合包括至少两条第一语句,第二语句集合包括至少两条第二语句;
第一关联分析模块,用于对第一语句集合和第二语句集合进行关联性分析,获得第一语句集合中特定第一语句的关联语句信息;关联语句信息用于表示特定第一语句与第二语句集合中每一条第二语句的相关性;
第一特征确定模块,用于根据特定第一语句及其关联语句信息,确定特定第一语句的语句特征;
第一类别确定模块,用于根据特定第一语句的语句特征,确定第一对象所属的目标情感类别。
第六方面,本发明实施例提供了一种信息处理装置,该装置基于预设的信息处理模型进行信息处理,该信息处理模型包括输入层、关联性分析层、语句特征统计层和情感类别预测层,该装置包括:
第一模型处理模块,第一模型处理模块设有输入层,用于获取对话文本,对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;第一语句集合包括至少两条第一语句,第二语句集合包括至少两条第二语句;
第二模型处理模块,第二模型处理模块设有关联性分析层,用于对第一语句集合和第二语句集合进行关联性分析,获得第一语句集合中特定第一语句的关联语句信息;关联语句信息用于表示特定第一语句与第二语句集合中每一条第二语句的相关性;
第三模型处理模块,第三模型处理模块设有语句特征统计层,用于根据特定第一语句及其关联语句信息,确定特定第一语句的语句特征;
第四模型处理模块,第四模型处理模块设有情感类别预测层,用于根据特定第一语句的语句特征,确定第一对象所属的目标情感类别。
第七方面,本发明实施例提供了一种信息处理装置,该装置包括:
第二文本获取模块,用于获取对话文本,对话文本包括客户对应的客户语句集合和客服人员对应的客服语句集合;客户语句集合包括至少两条客户语句,客服语句集合包括至少两条客服语句;
第二关联分析模块,用于对客户语句集合和客服语句集合进行关联性分析,获得客户语句集合中特定客户语句的关联语句信息;关联语句信息用于表示特定客户语句与客服语句集合中每一条客服语句的相关性;
第二特征确定模块,用于根据特定客户语句及其关联语句信息,确定特定客户语句的语句特征;
第二类别确定模块,用于根据特定客户语句的语句特征,确定客户所属的目标情感类别。
第八方面,本发明实施例提供了一种信息处理装置,该装置包括:
第三文本获取模块,用于获取第一对象对应的当前第一语句和历史对话文本,所述历史对话文本包括所述第一对象应的历史第一语句集合和第二对象对应的历史第二语句集合;所述历史第一语句集合包括至少一条历史第一语句,所述历史第二语句集合包括至少两条历史第二语句;
第三关联分析模块,用于对所述当前第一语句和所述历史对话文本集合进行关联性分析,获得所述当前第一语句的关联语句信息;所述关联语句信息用于表示所述当前第一语句与所述历史第二语句集合中每一条所述历史第二语句的相关性;
第三特征确定模块,用于根据所述当前第一语句及其关联语句信息,确定所述当前第一语句的语句特征;
第三类别确定模块,用于根据所述当前第一语句的语句特征,确定所述第一对象所属的当前目标情感类别;
目标类别发送模块,用于向所述第二对象发送所述当前目标情感类别。
第九方面,本发明实施例提供了一种信息处理设备,设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如第一方面、第二方面、第三方面或者第四方面所述的信息处理方法。
第十方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面、第二方面、第三方面或者第四方面所述的信息处理方法。
本发明实施例的信息处理方法、装置、设备及计算机可读存储介质,能够对由第一对象的第一语句集合和第二对象的第二语句集合构成的对话文本进行关联性分析,获得用于表征第一语句集合中特定第一语句与第二语句集合中每一条第二语句的相关性的关联语句信息,并且基于该特定第一语句及其关联语句信息,确定该特定第一语句的语句特征,从而根据特定第一语句的语句特征,确定第一对象所属的目标情感类别,无需第一对象对其目标情感类别进行手动标记,仅需获取对话文本,即可基于对话文本快速、准确地分析出第一对象的目标情感类别。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单的介绍,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是客户针对客服人员所提供服务的满意度评价的一个示例的示意图;
图2是针对图1所示的对话文本的线索分析示意图;
图3是本发明一个实施例提供的信息处理方法的流程示意图;
图4是本发明一个实施例提供的信息处理模型的结构示意图;
图5是本发明另一个实施例提供的信息处理方法的流程示意图;
图6是本发明一个实施例提供的信息处理方法的场景示意图;
图7是本发明一个实施例提供的信息处理装置的结构示意图;
图8是本发明另一个实施例提供的信息处理装置的结构示意图;
图9是本发明一个实施例提供的信息处理设备的硬件结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
当前的电子商务平台,在客服人员为潜在或事实客户提供服务后,一般会对客户进行满意度调查,让客户填写对客服人员所提供服务的满意度评价。
以淘宝上的服务为例,零售商会通过即时通讯软件(例如阿里旺旺和千牛),来回答和响应潜在或事实客户在售前、售中和售后各阶段的关切和疑虑。一般情况下,提供服务的形式为客服人员针对客户的提问所进行的多轮问答。
图1示出了客户针对客服人员所提供服务的满意度评价的一个示例的示意图。如图1所示,满意度评价为1-5颗星的打分,1-2颗星表示不满意,3颗星表示一般,4-5颗星表示满意。
在图1中展示的对话文本中,客户与客服人员进行沟通,要求商家来承担客户退货的邮寄费用,但商家以客户所提出的问题并不是质量问题为由拒绝承担该费用,由于客户对质量问题的意思不理解,对客服人员提供的解答并不满意,并在服务结束后给出1颗星的满意度评价。
商家在获得该满意度评价后,可以基于满意度评价快速定位到低质量的服务对话,分析低质量原因,进而提高客服人员的服务质量,以提高客户的体验。电子商务平台在获得该满意度评价后,可以快速定位到低质量的服务对话,分析低质量原因,从而其制定更清晰的规则,例如“不合身不是质量问题,买家应该承担运费”。
但是,由于手动填写比较繁琐,客户可能不会完成满意度调查,或者,客户所做出的满意度评价并非与真实意愿相符,降低了满意度评价的获取效率和真实性,使得商家和电子商务平台无法及时改进。
图2示出了本申请的一个示例中,针对图1所示的对话文本的线索分析示意图。如图2所示,按照对话文本中各个语句的时间顺序将各个语句标记为un,其中,客户语句包括对话语句u1,u3,u5,u7,u9,u10,客服语句包括对话语句u2,u4,u6,u8,u11。
分析对话文本中的各个客服语句,可以发现其存在两种线索角色:推理线索和情感线索。其中,推理线索是针对客户语句给出响应和对策的客服语句,情感线索是会引起随后的客户语句的情感变化的客服语句,例如,使客户语句的情感由正向语句或中立语句转变为负向语句的客服语句。
例如,对话语句u1为正向语句,对话语句u2为对话语句u1的推理线索,对话语句u4为对话语句u3的推理线索,对话语句u6为对话语句u5的推理线索,此时,对话语句u3和u5是中立语句,对话语句u6为对话语句u7的情感线索,对话语句u8为对话语句u7的推理线索,对话语句u8为对话语句u9和u10的情感线索,对话语句u11为对话语句u10的推理线索,此时,对话语句u7,u9和u10是负向语句。在对话结束时,客户的情感状态为负向状态,因此,客户对本次服务并不满意。
可以看出,推理线索和情感线索对客户的满意度评价的准确分析均有很大的帮助。例如,推理线索更加聚焦客户关切的问题并给予解释,还能够补充客户语句中不完整的内容,情感线索可以引起客户的情感变化,进而直接影响客户的满意度评价。
为了解决现有技术问题,本发明实施例提供了一种信息处理方法、装置、设备及计算机可读存储介质,可以利用上述的推理线索和情感线索对客服人员为客户提供服务所产生的对话文本进行关联性分析,例如上下文线索匹配,以定位可能引起客户的情感变化的情感线索,即对客户语句进行情感识别,从而定位可能的情感原因,并最终自动基于对话文本判断客户的满意度评价。
下面首先对本发明实施例所提供的信息处理方法进行介绍。
图3示出了本发明一个实施例提供的信息处理方法的流程示意图。如图3所示,该信息处理方法可以由电子设备或者服务器执行,该信息处理方法可以包括:
步骤110、获取对话文本,对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;第一语句集合包括至少两条第一语句,第二语句集合包括至少两条第二语句;
步骤120、对第一语句集合和第二语句集合进行关联性分析,获得第一语句集合中特定第一语句的关联语句信息;关联语句信息用于表示特定第一语句与第二语句集合中每一条第二语句的相关性;
步骤130、根据特定第一语句及其关联语句信息,确定特定第一语句的语句特征;
步骤140、根据特定第一语句的语句特征,确定第一对象所属的目标情感类别。
在本发明实施例中,能够对由第一对象的第一语句集合和第二对象的第二语句集合构成的对话文本进行关联性分析,获得用于表征第一语句集合中特定第一语句与第二语句集合中每一条第二语句的相关性的关联语句信息,并且基于该特定第一语句及其关联语句信息,确定该特定第一语句的语句特征,从而根据特定第一语句的语句特征,确定第一对象所属的目标情感类别,无需第一对象对其目标情感类别进行手动标记,仅需获取对话文本,即可基于对话文本快速、准确地分析出第一对象的目标情感类别。
在本发明一些实施例中,所获取的对话文本可以为在电子商务平台中,商家的客服人员为客户提供服务所产生的对话文本。此时,第一对象可以为客户,第二对象可以为客服人员,相应地,第一语句集合可以为客户语句集合,第一语句可以为客户语句,第二语句集合可以为客服语句集合,第二语句可以为客服语句,目标情感类别可以为目标满意度类别。由此,可以无需客户对满意度进行手动评价,仅需获取对话文本,即可基于对话文本快速了解客户的目标满意度类别,以提高满意度评价的获取效率和真实性。
具体地,第一对象可以包括客户A,第二对象可以包括客服人员A和客服人员B,第一语句可以为客户A的语句,第二语句可以为客服人员A或者客服人员B的语句。即无论与客户进行对话的客服人员是否有改变,只要是客户人员,均作为第二对象,并且第二语句可以包括全部的客服人员的语句。
在本发明另一些实施例中,所获取的对话文本还可以为在社交平台中,多个用户之间进行聊天交谈所产生的对话文本。此时,第一对象可以为待确定立场的目标用户,第二对象可以为该目标用户以外的其他用户,相应地,第一语句集合可以为目标用户语句集合,第一语句可以为目标用户的用户语句,第二语句集合可以为其他用户语句集合,第二语句可以为其他用户的用户语句,目标情感类别可以为目标立场类别。由此,可以基于对话文本快速了解目标用户的目标立场类别,以提高快速识别用户立场和聊天意图。
具体地,第一对象可以包括目标用户,第二对象可以包括其他用户A和其他用户B,第一语句可以为目标用户的语句,第二语句可以为其他用户A和其他用户B的语句。即无论与目标用户进行对话的其他用户是否有改变,只要是该目标用户以外的其他用户,均作为第二对象,并且第象语句可以包括全部的其他用户的语句。
下面,将以对话文本为客服人员为客户提供服务所产生的对话文本为例,对本发明实施例提供的信息处理方法进行详细说明。
客户语句对最终的情感类别分类有直接的影响。然而,客户语句可能无法表示客户想表达的完整语义。因此,需要考虑上下文信息,即客服语句,来增强或补充客户语句的语义表示,进而生成语义完整的语句特征,并利用该语句特征更准确地预测客户的情感类别。
根据针对图2的分析,可以看出每个客服语句针对与其相邻的客户语句具有两种线索角色,即推理线索和情感线索。因此,在本发明一些实施例的步骤120中,可以基于上述的两种线索角色对每个客户语句进行关联性分析处理,找到每个客户语句对应的线索语句,从而根据每个客户语句对应的线索语句生成上下文线索表示信息,即关联语句信息。
其中,关联语句信息用于表示特定第一语句与第二语句集合中每一条第二语句的相关性,例如,这些第二语句与特定第一语句之间的话语表示关系和位置关系等。
在本发明一些实施例中,可以利用对话文本中的全部第二语句对第一语句集合中特定第一语句进行相关性分析处理,以得到特定第一语句对应的关联语句信息。其中,特定第一语句指的是第一语句集合中的任一条第一语句。
在本发明一些实施例中,步骤120的具体方法可以包括:
根据第一语句集合中每一条第一语句与第二语句集合中每一条第二语句在对话文本中的相对位置,确定第二语句集合中每一条第二语句相对于每一条第一语句的语句位置权重;
根据语句位置权重,生成第一语句集合中特定第一语句的关联语句信息。
一般而言,第一语句和第二语句均是基于与其相邻的语句进行提问或回答的,距离第一语句越近的第二语句,具有更高的注意力权重。以对话文本为客服人员为客户提供服务所产生的多轮问答对话文本为例,问题语句和回答语句通常在位置上相互毗邻,与问题语句越近的回答语句,与该问题语句越相关。因此,可以基于第一语句和第二语句之间的相对位置,计算出每个第二语句与特定第一语句之间的语句位置权重,以利用语句位置权重为特定第一语句进行关联性分析处理。
特定第二语句指的是第二语句集合中的任一条第二语句。以特定第二语句和特定第一语句为例,可以利用特定第二语句和特定第一语句在对话文本中的相对位置,即特定第二语句和特定第一语句在对话文本所形成的对话语句序列中的序列位置,计算特定第二语句和特定第一语句之间的相对距离,然后计算相对距离与对话文本的对话语句总数量的比值,并根据该比值确定特定第二语句相对于特定第一语句的语句位置权重。其中,比值越大,说明特定第二语句与特定第一语句的距离越远,语句位置权重越小;比值越小,说明特定第二语句与特定第一语句的距离越近,语句位置权重越大。
具体地,将特定第一语句表示为其中,ct表示特定第一语句在第一语句序列中的序列位置,将特定第二语句表示为/>其中,st表示特定第二语句在第二语句序列中的序列位置。此时,特定第二语句/>相对于特定第一语句/>的语句位置权重/>的计算公式为:
其中,表示特定第一语句在对话文本中的相对位置,/>表示特定第二语句在对话文本中的相对位置,/>表示特定第二语句和特定第一语句之间的相对距离,L是对话文本的对话语句总数量。以图2所示的对话文本为例,当客户为第一对象时,对话语句u3可以为第一语句uc2,其相对位置p(uc2)为3。
对于特定第一语句出现在它前面的第二语句/>可以为其提供情感线索,而在它后面出现的第二语句/>可以为其提供推理线索。
在本发明另一些实施例中,还可以利用对话文本中的部分第二语句对每个第一语句进行相关性分析处理,以得到每个第一语句对应的关联语句信息。具体地,可以利用相关性指标从对话文本中选取部分第二语句。
在一些实施例中,该信息处理方法还可以包括:
获得第二语句集合中每一条第二语句相对于特定第一语句的相关性指标;
根据语句位置权重和相关性指标,确定每一条第二语句相对于特定第一语句的话语表示权重;
相应的,根据语句位置权重生成第一语句集合中特定第一语句的关联语句信息具体可以包括:
根据每一条第二语句相对于特定第一语句的语句位置权重和话语表示权重,生成第一语句集合中特定第一语句的关联语句信息。
以特定第二语句为例,可以首先将特定第二语句对应的语句信息以及特定第二语句相对于特定第一语句的语句位置权重和相关性指标输入话语标识权重计算公式,得到特定第二语句相对于特定第一语句的话语表示权重。然后,将特定第二语句相对于特定第一语句的语句位置权重和话语标识权重输入关联语句信息计算公式,得到特定第二语句相对于特定第一语句的关联语句信息。
在另一些实施例中,该信息处理方法还可以包括:
获得第二语句集合中每一条第二语句相对于特定第一语句的相关性指标;
相应的,根据语句位置权重生成第一语句集合中特定第一语句的关联语句信息具体可以包括:
根据语句位置权重,确定每一条第二语句相对于特定第一语句的话语表示权重;
根据每一条第二语句相对于特定第一语句的相关性指标、语句位置权重和话语表示权重,生成第一语句集合中特定第一语句的关联语句信息。
以特定第二语句为例,可以首先将特定第二语句对应的语句信息以及特定第二语句相对于特定第一语句的语句位置权重输入话语标识权重计算公式,得到特定第二语句相对于特定第一语句的话语表示权重。然后,将特定第二语句相对于特定第一语句的相关性指标、语句位置权重和话语标识权重输入关联语句信息计算公式,得到特定第二语句相对于特定第一语句的关联语句信息。
由于关联性分析处理的目的是自动地寻找更重要的第二语句,因此,可以利用相关性指标来避免在不被考虑的第二语句进行关联性分析处理,不但能够提高数据处理效率,还能够提高匹配到的第二语句的准确性。
在本发明一些实施例中,若相关性指标为特定指标值,该相关性指标对应的第二语句可以作为特定第一语句的关联性分析对象,若相关性指标为非特定指标值,该相关性指标对应的第二语句不作为特定第一语句的关联性分析对象。
具体地,根据语句位置权重和相关性指标,确定每一条第二语句相对于特定第一语句的话语表示权重的具体方法可以包括:
对于相关性指标为特定指标值的第二语句,根据语句位置权重确定该第二语句相对于特定第一语句的话语表示权重;
对于相关性指标为非特定指标值的第二语句,确定该第二语句相对于特定第一语句的话语表示权重为零。
例如,非特定指标值可以为0,特定指标值可以为1,此时,对于相关性指标为1的第二语句,可以根据语句位置权重确定该第二语句相对于特定第一语句的话语表示权重,对于相关性指标为0的第二语句,确定该第二语句相对于特定第一语句的话语表示权重为零,从而可以只保留作为特定第一语句的关联性分析对象的第二语句对应的关联语句信息。
继续参见对图2的分析,如果只考虑情感线索,则把所要进行关联性分析处理的客户语句之后所有客服语句的相关性指标设为0,将其他的客服语句的相关性指标设为1;如果考虑推理线索,则把所要进行关联性分析处理的客户语句之前所有客服语句的相关性指标设为0,将其他的客服语句的相关性指标设为0;如果考虑所有的线索,则将所有客服语句的相关性指标设为1。
在其他实施例中,可选地,特定指标值和非特定指标值还可以为用户设定的其他值,在此不做限制。
在本发明另一些实施例中,步骤120的具体方法还可以包括:
基于第一语句和第二语句在对话文本中的相对位置,确定每一条第一语句相对于每一条第一语句的语句位置权重;
根据相对于特定第一语句的语句位置权重最高的第二语句,确定特定第一语句的关联语句信息。
由此,可以在确定每一条第二语句相对于每一条第一语句的语句位置权重之后,直接利用相对于特定第一语句的语句位置权重最高的第二语句的语句信息,生成特定第一语句的关联语句信息。
在本发明一些实施例中,步骤130的具体方法可以包括:
将特定第一语句以及关联语句信息进行拼接处理,得到特定第一语句对应的拼接信息;
将拼接信息编码为片段向量,作为特定第一语句对应的片段向量;
计算特定第一语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为特定第一语句的语句特征。
具体地,拼接信息中的关联语句信息,可以增强或补充特定第一语句的语义表示,进而使拼接信息可以作为特定第一语句对应的语义完整的语句片段,然后,将拼接信息编码为片段向量,得到特定第一语句对应的片段向量,最后,可以利用概率计算函数计算片段向量针对多个预设情感特征类别的第一概率分布,将第一概率分布作为特定第一语句的语句特征。
在一些实施例中,预设情感特征类别可以包括正向情感特征类别、中立情感特征类别和负向情感特征类别,将第一概率分布作为特定第一语句的语句特征,从而能够准确地对特定第一语句进行情感趋势预测判断。
在这些实施例中,可选地,步骤140的具体方法可以包括:
确定特定第一语句对应的片段向量的特征权重;
根据特征权重以及第一概率分布,确定第一对象所属的目标情感类别。
由于特定第一语句的语句特征均会为判断第一对象的目标情感类别奠定基础。因此,可以为第一语句集合中的每个第一语句对应的片段向量的分配特征权重,从而确定每个片段向量对多个预设情感类别的重要性,然后综合全部的第一语句对应的特征权重以及第一概率分布,确定所有第一语句对应的片段向量所指向的预设情感类别,作为第一对象所属的目标情感类别。
具体地,根据特征权重以及第一概率分布,确定第一对象所属的目标情感类别的具体方法可以包括:
根据特征权重以及第一概率分布,确定第一对象相对于预设情感类别的第二概率分布;
根据第二概率分布,确定概率最大的预设情感类别为第一对象所属的目标情感类别。
例如,可以利用第一语句集合中的每个第一语句对应的片段向量的特征权重及其对应的第一概率分布的加权结果,确定第一对象针对多个预设情感类别的第二概率分布,以利用第二概率分布在多个预设情感类别中选择概率最大的预设情感类别作为第一对象所属的目标情感类别。
以对话文本为客服人员为客户提供服务所产生的对话文本为例,预设情感类别可以分为十分满意、满意、一般、不满意和十分不满意,预设情感特征类别可以分为正向情感特征类别、中立情感特征类别和负向情感特征类别。由此,可以直接利用对话文本确定客服的满意度评价。
在本发明另一些实施例中,步骤130的具体方法还可以包括:
将特定第一语句以及关联语句信息进行拼接处理,得到特定第一语句对应的拼接信息;
将拼接信息编码为片段向量,作为特定第一语句的语句特征。
可见,在这些实施例中,还可以直接将拼接信息对应的片段向量,作为特定第一语句的语句特征。
在这些实施例中,可选地,步骤140的具体方法还可以包括:
确定特定第一语句对应的片段向量的特征权重;
根据特定第一语句对应的片段向量和特征权重,确定第一对象针对多个预设情感类别的第三概率分布;
根据第三概率分布,确定概率最大的预设情感类别作为第一对象所属的目标情感类别。
具体地,可以直接利用概率计算函数计算片段向量和特征权重针对多个预设情感特征类别的第三概率分布,从而确定概率最大的预设情感类别作为第一对象所属的目标情感类别。
为了降低第一语句和第二语句的处理难度,以及提高第一语句和第二语句的处理准确度,在本发明一些实施例的步骤120之前,还信息处理方法还可以包括:
计算特定第一语句对应的第一语句向量;以及,计算特定第二语句对应的第二语句向量。
相应的,对第一语句集合和第二语句集合进行关联性分析,获得第一语句集合中特定第一语句的关联语句信息,包括:
根据特定第一语句与特定第二语句之间的相对位置,确定特定第二语句相对于特定第一语句的语句位置权重;
根据语句位置权重、第一语句向量和第二语句向量,确定特定第一语句相对于特定第二语句的关联信息;
根据关联信息,确定特定第一语句的关联语句信息。
具体地,可以利用语句位置权重、第一语句向量和第二语句向量,确定特定第一语句相对于每一个特定第二语句的关联信息,并且将这些综合这些关联信息,得到特定第一语句的关联语句信息。
在本发明实施例中,可选地,计算特定第一语句对应的第一语句向量,包括:
利用第一编码器对特定第一语句进行编码,得到第一隐含状态向量序列,其中,第一隐含状态向量序列由多个第一隐含状态向量组成;
将第一隐含状态向量序列中的最后一个第一隐含状态向量,作为特定第一语句对应的第一语句向量;
在本发明实施例中,可选地,计算特定第二语句对应的第二语句向量,包括:
利用第二编码器对第二语句进行编码,得到第二隐含状态向量序列,其中,第二隐含状态向量序列由多个第二隐含状态向量组成;
将第二隐含状态序列中的最后一个第二隐含状态向量,作为特定第二语句对应的第二语句向量。
其中,第一编码器可以与第二编码器相同,可以分别为双向长短期记忆网络(LSTM)模型,双向门控循环单元网络(GRU)模型,深层LSTM模型,深层双向LSTM模型、单层双向LSTM模型以及单层单向LSTM模型中的至少一种。
在一些实施例中,可选地,第一编码器和第二编码器可以为标准的单层单向LSTM模型。并且,第一编码器和第二编码器可以利用相同的训练数据进行训练得到。
由此,可以利用第一编码器和第二编码器,将第一语句和第二语句分别编码为预定长度的第一语句向量和第二语句向量,以将不同字符长度的第一语句和第二语句,变为长度相等的第一语句向量和第二语句向量,从而能够降低处理第一语句和第二语句的难度,以及提高处理第一语句和第二语句的准确度。
在本发明实施例中,可以将第M个第一语句对应的第一语句向量表示为/>从而得到第一语句向量序列/>相似地可以将第N个第二语句/>对应的第二语句向量表示为/>从而得到第二语句向量序列/>
在本发明实施例中,在得到第一语句向量和第二语句向量之后,可选地,步骤120的具体方法可以为:
对第一语句向量和第二语句向量进行关联性分析,得到特定第一语句对应的关联语句表示向量,作为特定第一语句的关联语句信息。
在一些实施例中,针对特定第一语句和特定第二语句,可以根据特定第二语句对应的第二语句向量、特定第二语句相对于特定第一语句的相关性指标及特定第二语句相对于特定第一语句的语句位置权重,确定特定第一语句相对于特定第一语句的关联语句信息。
例如,针对特定第一语句和特定第二语句/>将相关性指标表示为则可以利用特定第二语句/>对应的第二语句向量/>先计算特定第二语句针对特定第一语句/>的关联语句信息,得到特定第一语句/>针对特定第一语句/>的关联语句向量/>计算公式如下:
然后,利用特定第二语句对应的关联语句向量/>和特定第一语句/>对应的第一语句向量/>计算特定第二语句/>相对于特定第一语句/>的话语表示权重/>计算公式如下:
其中,Wc,和bc表示可训练的模型参数。
最后,针对特定第一语句全部的第二语句针对特定第一语句/>的关联语句向量,以及全部的第二语句相对于特定第一语句/>的话语表示权重进行加权求和,得到特定第一语句/>的关联语句表示向量/>作为特定第一语句/>的信息补充。该过程可形式化为如下公式:
其中,表示任一个第二语句相对于/>的话语表示权重,/>表示任一个第二语句针对特定第一语句/>的关联语句向量。
在这些实施例中,步骤130的具体方法还可以包括:
对特定第一语句的第一语句向量及其对应的关联语句表示向量进行拼接处理,得到特定第一语句的拼接向量;
利用第三编码器对拼接向量进行编码,得到特定第一语句的片段向量;
计算片段向量针对多个情感特征类别的第一概率分布,作为特定第一语句的语句特征。
其中,第三编码器可以为双向长短期记忆网络(LSTM)模型,双向门控循环单元网络(GRU)模型,深层LSTM模型,深层双向LSTM模型、单层双向LSTM模型以及单层单向LSTM模型中的至少一种。
在一些实施例中,可选地,第三编码器可以为标准的单层单向LSTM模型。
针对特定第一语句的第一语句向量可以得到特定第一语句的拼接向量然后,将特定第一语句的拼接向量/>输入标准的单层单向LSTM模型,可以得到特定第一语句的片段向量/>进而捕获第一语句之间的依赖性。
需要说明的是,利用第三编码器进行编码的方法与利用第一编码器进行编码的方法相似,在此不做赘述。
针对特定第一语句的片段向量可以利用softmax函数,计算特定第一语句/>针对多个情感特征类别的第一概率分布/>计算公式如下:
其中,Ws和bs表示可训练的模型参数,softmax是概率计算函数。
在这些实施例中,步骤140的具体方法还可以包括:
确定每个片段向量对应的特征权重;
根据每个片段向量对应的特征权重及其对应的第一概率分布,确定第一对象所属的目标情感类别。
具体地,可以通过确定每个片段向量对应的特征权重,确定每个片段向量对应的第一语句所属的情感特征类别对情感类别分类的重要性,以将全部的第一语句所属的情感特征预测结果汇总为最终的目标情感类别。
针对特定第一语句的片段向量特征权重/>的计算公式如下:
其中,矩阵Wu和向量bu表示模型中可训练的参数,向量v可以看作是一个固定的查询,即“哪个片段更加重要?”。
可选地,根据每个片段向量对应的特征权重及其对应的第一概率分布确定第一对象的目标情感类别的具体方法可以包括:
根据每个片段向量对应的特征权重及其对应的第一概率分布,确定第一对象针对多个预设情感类别的第二概率分布;
根据第二概率分布,确定概率最大的预设情感类别作为第一对象的目标情感类别。
具体地,可以对每个片段向量对应的特征权重及其对应的第一概率分布进行加权求和,得到第一对象针对多个预设情感类别的第二概率分布。
其中,情感预测值y的计算公式如下:
最终,可以根据第二概率分布,确定概率最大的预设情感类别作为第一对象的目标情感类别。
在本发明一些实施例中,在步骤140之后,该信息处理方法还可以包括:
在多个第二子对象中,确定与目标情感类别相关联的第二语句所属的目标第二子对象。
具体地,可以在第二语句中定位到对情感类别分类结果影响最大的至少一个第二语句,然后确定所定位的第二语句所属的目标第二子对象。
例如,如果对话文本中的客服人员包括客服人员A和客服人员B,客户所属的目标情感类别为不满意,在确定所定位的第二语句属于客服人员B之后,对于商家来说,可以使商家快速定位低质量的服务对话对应的客服人员,找到原因采取行动。
在本发明另一些实施例中,在多个第二子对象中,确定与目标情感类别相关联的第二语句所属的目标第二子对象之后,该信息处理方法还可以包括:
若目标第二子对象的对象数量大于预设数量阈值,确定对话文本中的目标文本内容。
如果根据所定位的第二语句所属的目标第二子对象的数量大于预设数量阈值,则说明不是第二语句导致第一对象属于目标情感类别的,而是其对话内容导致的,此时,可以确定对话文本中所涉及到的主要对话内容。
例如,如果对话文本中的客服人员包括客服人员A和客服人员B,客户所属的目标情感类别为不满意,在确定所定位的第二语句属于客服人员A和客服人员B之后,如果预设数量阈值为2,对于电商平台来说,可以确定对话文本中所涉及到的主要对话内容,例如“不合身不是质量问题,买家应该承担运费”,有助于其制定更清晰的规则。
本发明实施例还提供了一种信息处理方法,其中,该方法基于预设的信息处理模型实现,信息处理模型包括输入层、关联性分析层、语句特征统计层和情感类别预测层,该方法具体可以包括:
输入层获取对话文本,对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;第一语句集合包括至少两条第一语句,第二语句集合包括至少两条第二语句;
关联性分析层对第一语句集合和第二语句集合进行关联性分析,获得第一语句集合中特定第一语句的关联语句信息;关联语句信息用于表示特定第一语句与第二语句集合中每一条第二语句的相关性;
语句特征统计层根据特定第一语句及其关联语句信息,确定特定第一语句的语句特征;
情感类别预测层根据特定第一语句的语句特征,确定第一对象所属的目标情感类别。
在本发明实施例中,能够对由第一对象的第一语句集合和第二对象的第二语句集合构成的对话文本进行关联性分析,获得用于表征第一语句集合中特定第一语句与第二语句集合中每一条第二语句的相关性的关联语句信息,并且基于该特定第一语句及其关联语句信息,确定该特定第一语句的语句特征,从而根据特定第一语句的语句特征,确定第一对象所属的目标情感类别,无需第一对象对其目标情感类别进行手动标记,仅需获取对话文本,即可基于对话文本快速、准确地分析出第一对象的目标情感类别。
在本发明一些实施例中,关联性分析层对第一语句集合和第二语句集合进行关联性分析,获得第一语句集合中特定第一语句的关联语句信息,包括:
关联性分析层根据第一语句集合中每一条第一语句与第二语句集合中每一条第二语句在对话文本中的相对位置,确定第二语句集合中每一条第二语句相对于每一条第一语句的语句位置权重;
关联性分析层根据语句位置权重,生成第一语句集合中特定第一语句的关联语句信息。
在本发明一些实施例中,该信息处理方法还可以包括:
关联性分析层获得第二语句集合中每一条第二语句相对于特定第一语句的相关性指标;
关联性分析层根据语句位置权重和相关性指标,确定每一条第二语句相对于特定第一语句的话语表示权重;
相应地,关联性分析层根据语句位置权重,生成第一语句集合中特定第一语句的关联语句信息具体可以包括:
关联性分析层根据每一条第二语句相对于特定第一语句的语句位置权重和话语表示权重,生成第一语句集合中特定第一语句的关联语句信息。
在本发明一些实施例中,语句特征统计层根据特定第一语句及其关联语句信息,确定特定第一语句的语句特征,包括:
语句特征统计层将特定第一语句以及关联语句信息进行拼接处理,得到特定第一语句对应的拼接信息;
语句特征统计层将拼接信息编码为片段向量,作为特定第一语句对应的片段向量;
语句特征统计层计算特定第一语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为特定第一语句的语句特征。
在本发明一些实施例中,情感类别预测层根据特定第一语句的语句特征,确定第一对象所属的目标情感类别,包括:
情感类别预测层确定特定第一语句对应的片段向量的特征权重;
情感类别预测层根据特征权重以及第一概率分布,确定第一对象所属的目标情感类别。
在本发明一些实施例中,情感类别预测层根据特征权重以及第一概率分布,确定第一对象所属的目标情感类别,包括:
情感类别预测层根据特征权重以及第一概率分布,确定第一对象相对于预设情感类别的第二概率分布;
情感类别预测层根据第二概率分布,确定概率最大的预设情感类别为第一对象所属的目标情感类别。
图4示出了本发明一个实施例提供的信息处理模型的结构示意图。
在本发明一些实施例中,该信息处理方法可以由图4所示的信息处理模型实现200。该信息处理模型200包括输入层210、关联性分析层220、语句特征统计层230和情感类别预测层240。
其中,输入层210用于获取第一语句和第二语句,并且将第一语句编码为第一语句向量以及将第二语句编码为第二语句向量。关联性分析层220包括位置加权层221和注意力层222,其中,位置加权层221用于根据第一语句向量和第二语句向量,确定每个第二语句向量相对于每个第一语句向量的语句位置权重,注意力层222用于根据确定每个第二语句向量相对于每个第一语句向量的语句位置权重、每个第一语句向量和每个第二语句向量,确定每个第一语句向量和每个第二语句向量相对于该第一语句向量的话语表示权重,然后根据每个第二语句向量、话语表示权重、语句位置权重和相关性指标,确定每个第一语句向量对应的关联语句向量。语句特征统计层230用于对每个第一语句向量及其对应的语句特征统计层进行拼接处理,得到每个第一语句向量对应的拼接向量,并对应每个拼接向量进行编码,得到每个第一语句向量对应的片段向量,并且计算每个片段向量针对多个情感特征类别的第一概率分布。情感类别预测层240用于确定每个片段向量对应的特征权重,并且根据每个片段向量对应的特征权重及其对应的第一概率分布,确定第一对象的情感预测值,得到第一对象所属的目标情感类别。
需要说明的是,信息处理模型200中的每一层实现对应功能的方法与图3所示的信息处理方法的各个过程的原理相似,并且所应用的计算公式相似,在此不做赘述。
在本发明一些实施例中,在输入层获取对话文本之前,信息处理方法还可以包括:
获取训练样本;其中,训练样本包括多个训练对话文本,训练对话文本带有情感类别标记,情感类别标记根据用户反馈接口的用户评分确定;
利用训练样本训练信息处理模型,得到训练后的信息处理模型。
在建立好信息处理模型后,可以获取多个标记好情感类别的历史对话文本作为训练样本,从而获取多个带有情感类别标记的训练对话文本,然后利用所获得的训练样本对信息处理模型进行训练,得到训练后的信息处理模型。
在训练信息处理模型的过程中,可以使用交叉熵损失函数作为目标函数,来调整信息处理模型的模型参数。其中,目标函数的公式如下:
其中,取值为1或0,1表明是否第i个情感类别对于第j个训练样本是一个正确答案,0表明是否第i个情感类别对于第j个训练样本是一个错误答案,/>表示预测的第二概率分布,θ是信息处理模型所有的可训练参数。
在本发明一些实施例中,可以使用自适应性学习率Adam算法来优化目标函数。
需要说明的是,本发明实施例提供的信息处理方法能够实现图3的方法实施例中的各个过程和效果,并且实现原理相似,为避免重复,这里不再赘述。
本发明实施例还提供了一种信息处理方法,包括:
获取对话文本,对话文本包括客户对应的客户语句集合和客服人员对应的客服语句集合;客户语句集合包括至少两条客户语句,客服语句集合包括至少两条客服语句;
对客户语句集合和客服语句集合进行关联性分析,获得客户语句集合中特定客户语句的关联语句信息;关联语句信息用于表示特定客户语句与客服语句集合中每一条客服语句的相关性;
根据特定客户语句及其关联语句信息,确定特定客户语句的语句特征;
根据特定客户语句的语句特征,确定客户所属的目标情感类别。
在本发明实施例中,能够对由客户的客户语句集合和客服人员的客户语句集合构成的对话文本进行关联性分析,获得用于表征客户语句集合中特定客户语句与客服语句集合中每一条客服语句的相关性的关联语句信息,并且基于该特定客户语句及其关联语句信息,确定该特定客户语句的语句特征,从而根据特定客户语句的语句特征,确定第一对象所属的目标情感类别,无需第一对象对其目标情感类别进行手动标记,仅需获取对话文本,即可基于对话文本快速、准确地分析出第一对象的目标情感类别。
在本发明一些实施例中,对客户语句集合和客服语句集合进行关联性分析,获得客户语句集合中特定客户语句的关联语句信息,包括:
根据客户语句集合中每一条客户语句与客服语句集合中每一条客服语句在对话文本中的相对位置,确定客服语句集合中每一条客服语句相对于每一条客户语句的语句位置权重;
根据语句位置权重,生成客户语句集合中特定客户语句的关联语句信息。
在本发明一些实施例中,该信息处理方法还包括:
获得客服语句集合中每一条客服语句相对于特定客户语句的相关性指标;
根据语句位置权重和相关性指标,确定每一条客服语句相对于特定客户语句的话语表示权重;
相应的,根据语句位置权重,生成客户语句集合中特定客户语句的关联语句信息,具体包括:
根据每一条客服语句相对于特定客户语句的语句位置权重和话语表示权重,生成客户语句集合中特定客户语句的关联语句信息。
在本发明一些实施例中,根据特定客户语句及其关联语句信息,确定特定客户语句的语句特征,包括:
将特定客户语句以及关联语句信息进行拼接处理,得到特定客户语句对应的拼接信息;
将拼接信息编码为片段向量,作为特定客户语句对应的片段向量;
计算特定客户语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为特定客户语句的语句特征。
在本发明一些实施例中,根据特定客户语句的语句特征,确定客户所属的目标情感类别,包括:
确定特定客户语句对应的片段向量的特征权重;
根据特征权重以及第一概率分布,确定客户所属的目标情感类别。
在本发明一些实施例中,根据特征权重以及第一概率分布,确定客户所属的目标情感类别,包括:
根据特征权重以及第一概率分布,确定客户相对于预设情感类别的第二概率分布;
根据第二概率分布,确定概率最大的预设情感类别为客户所属的目标情感类别。
需要说明的是,本发明实施例提供的信息处理方法能够实现图3的方法实施例中的各个过程和效果,并且实现原理相似,为避免重复,这里不再赘述。
图5示出了本发明另一个实施例提供的信息处理方法的流程示意图。如图5所示,该信息处理方法可以由电子设备或者服务器执行,该信息处理方法可以包括:
步骤310、获取第一对象对应的当前第一语句和历史对话文本,历史对话文本包括第一对象应的历史第一语句集合和第二对象对应的历史第二语句集合;历史第一语句集合包括至少一条历史第一语句,历史第二语句集合包括至少两条历史第二语句;
步骤320、对当前第一语句和历史对话文本集合进行关联性分析,获得当前第一语句的关联语句信息;关联语句信息用于表示当前第一语句与历史第二语句集合中每一条历史第二语句的相关性;
步骤330、根据当前第一语句及其关联语句信息,确定当前第一语句的语句特征;
步骤340、根据当前第一语句的语句特征,确定第一对象所属的当前目标情感类别;
步骤350、向第二对象发送当前目标情感类别。
在本发明实施例中,能够对当前第一语句和历史对话文本进行分析,利用历史第二语句集合确定当前第一语句的关联语句信息,并且基于当前第一语句和关联语句信息确定当前第一语句的语句特征,从而根据语句特征,确定第一对象所属的当前目标情感类别,并即时向第二对象发送当前目标情感类别,使得第二对象在与第一对象通过即时聊天工具进行对话的过程中,可以随时了解第一对象当前的目标情感类别,从而快速做出调整和反应。
需要说明的是,步骤310-步骤340与图3的方法实施例中的步骤110-步骤140的实现原理相似,并且具有相同的效果,为避免重复,这里不再赘述。
在本发明一些实施例中,在步骤340之后,该信息处理方法还可以包括:
根据当前目标情感类别,生成处理方案提示信息;
向第二对象发送处理方案提示信息。
具体地,可以在预先存储的多个处理方案提示信息中,查找与当前目标情感类别对应的处理方案提示信息,并且向第二对象发送处理方案提示信,以使第二对象能够做出准确的处理。
图6示出了本发明一个实施例提供的信息处理方法的场景示意图。如图6所示,当客户通过电子设备的即时聊天工具输入了一个语句后,电子设备可以将该语句发送给服务器,服务器可以基于新接收的语句和客户与客服的历史对话文本,确定客户所属的目标情感类别,例如不满意,并且在识别到客户所属的目标情感类别之后,向客服发送目标情感类别,例如,0颗星。
图7示出了本发明一个实施例提供的信息处理装置的结构示意图。如图7所示,该信息处理装置400可以包括:
第一文本获取模块410,用于获取对话文本,对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;第一语句集合包括至少两条第一语句,第二语句集合包括至少两条第二语句;
第一关联分析模块420,用于对第一语句集合和第二语句集合进行关联性分析,获得第一语句集合中特定第一语句的关联语句信息;关联语句信息用于表示特定第一语句与第二语句集合中每一条第二语句的相关性;
第一特征确定模块430,用于根据特定第一语句及其关联语句信息,确定特定第一语句的语句特征;
第一类别确定模块440,用于根据特定第一语句的语句特征,确定第一对象所属的目标情感类别。
在本发明实施例中,能够对由第一对象的第一语句集合和第二对象的第二语句集合构成的对话文本进行关联性分析,获得用于表征第一语句集合中特定第一语句与第二语句集合中每一条第二语句的相关性的关联语句信息,并且基于该特定第一语句及其关联语句信息,确定该特定第一语句的语句特征,从而根据特定第一语句的语句特征,确定第一对象所属的目标情感类别,无需第一对象对其目标情感类别进行手动标记,仅需获取对话文本,即可基于对话文本快速、准确地分析出第一对象的目标情感类别。
在本发明一些实施例中,第一关联分析模块420可以具体用于:
根据第一语句集合中每一条第一语句与第二语句集合中每一条第二语句在对话文本中的相对位置,确定第二语句集合中每一条第二语句相对于每一条第一语句的语句位置权重;
根据语句位置权重,生成第一语句集合中特定第一语句的关联语句信息。
在本发明一些实施例中,该信息处理装置400还可以包括:
第一指标获取模块,用于获得第二语句集合中每一条第二语句相对于特定第一语句的相关性指标;
第一指标处理模块,用于根据语句位置权重和相关性指标,确定每一条第二语句相对于特定第一语句的话语表示权重;
相应地,第一关联分析模块420可以具体用于:
根据每一条第二语句相对于特定第一语句的语句位置权重和话语表示权重,生成第一语句集合中特定第一语句的关联语句信息。
在本发明一些实施例中,第一指标处理模块可以具体用于:
对于相关性指标为特定指标值的第二语句,根据语句位置权重确定该第二语句相对于特定第一语句的话语表示权重;
对于相关性指标为非特定指标值的第二语句,确定该第二语句相对于特定第一语句的话语表示权重为零。
在本发明一些实施例中,该信息处理装置400还可以包括:
第一语句编码模块,用于计算特定第一语句对应的第一语句向量;以及,计算特定第二语句对应的第二语句向量;
此时,第一关联分析模块420可以具体用于:
根据特定第一语句与特定第二语句之间的相对位置,确定特定第二语句相对于特定第一语句的语句位置权重;
根据语句位置权重、第一语句向量和第二语句向量,确定特定第一语句相对于特定第二语句的关联信息;
根据关联信息,确定特定第一语句的关联语句信息。
在本发明一些实施例中,第一语句编码模块可以具体用于:
利用第一编码器对特定第一语句进行编码,得到第一隐含状态向量序列,其中,第一隐含状态向量序列由多个第一隐含状态向量组成;
将第一隐含状态向量序列中的最后一个第一隐含状态向量,作为特定第一语句对应的第一语句向量;
或者,
利用第二编码器对第二语句进行编码,得到第二隐含状态向量序列,其中,第二隐含状态向量序列由多个第二隐含状态向量组成;
将第二隐含状态序列中的最后一个第二隐含状态向量,作为特定第二语句对应的第二语句向量。
在本发明一些实施例中,第一特征确定模块430可以具体用于:
将特定第一语句以及关联语句信息进行拼接处理,得到特定第一语句对应的拼接信息;
将拼接信息编码为片段向量,作为特定第一语句对应的片段向量;
计算特定第一语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为特定第一语句的语句特征。
在本发明一些实施例中,第一类别确定模块440可以具体用于:
确定特定第一语句对应的片段向量的特征权重;
根据特征权重以及第一概率分布,确定第一对象所属的目标情感类别。
在本发明一些实施例中,第一类别确定模块440可以进一步用于:
根据特征权重以及第一概率分布,确定第一对象相对于预设情感类别的第二概率分布;
根据第二概率分布,确定概率最大的预设情感类别为第一对象所属的目标情感类别。
在本发明一些实施例中,该信息处理装置400还可以包括:
子对象确定模块,用于在多个第二子对象中,确定与目标情感类别相关联的第二语句所属的目标第二子对象。
在本发明一些实施例中,该信息处理装置400还可以包括:
目标文本确定模块,用于若目标第二子对象的对象数量大于预设数量阈值,确定对话文本中的目标文本内容。
需要说明的是,本发明实施例提供的信息处理装置能够实现图3的方法实施例中的各个过程和效果,并且实现原理相似,为避免重复,这里不再赘述。
本发明实施例还提供了一种信息处理装置,其中,该装置基于预设的信息处理模型进行信息处理,该信息处理模型包括输入层、关联性分析层、语句特征统计层和情感类别预测层,该装置可以包括:
第一模型处理模块,第一模型处理模块设有输入层,用于输入层获取对话文本,对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;第一语句集合包括至少两条第一语句,第二语句集合包括至少两条第二语句;
第二模型处理模块,第二模型处理模块设有关联性分析层,用于关联性分析层对第一语句集合和第二语句集合进行关联性分析,获得第一语句集合中特定第一语句的关联语句信息;关联语句信息用于表示特定第一语句与第二语句集合中每一条第二语句的相关性;
第三模型处理模块,第三模型处理模块设有语句特征统计层,用于语句特征统计层根据特定第一语句及其关联语句信息,确定特定第一语句的语句特征;
第四模型处理模块,第四模型处理模块设有情感类别预测层,用于情感类别预测层根据特定第一语句的语句特征,确定第一对象所属的目标情感类别。
在本发明实施例中,能够对由第一对象的第一语句集合和第二对象的第二语句集合构成的对话文本进行关联性分析,获得用于表征第一语句集合中特定第一语句与第二语句集合中每一条第二语句的相关性的关联语句信息,并且基于该特定第一语句及其关联语句信息,确定该特定第一语句的语句特征,从而根据特定第一语句的语句特征,确定第一对象所属的目标情感类别,无需第一对象对其目标情感类别进行手动标记,仅需获取对话文本,即可基于对话文本快速、准确地分析出第一对象的目标情感类别
在本发明一些实施例中,第二模型处理模块可以具体用于:
关联性分析层根据所述第语句集合中每一条第一语句与第二语句集合中每一条第二语句在对话文本中的相对位置,确定第二语句集合中每一条第二语句相对于每一条第一语句的语句位置权重;
关联性分析层根据语句位置权重,生成第一语句集合中特定第一语句的关联语句信息。
在本发明一些实施例中,针对每个第一对象语句,第二模型处理模块可以进一步用于:
关联性分析层获得第二语句集合中每一条第二语句相对于特定第一语句的相关性指标;
关联性分析层根据语句位置权重和相关性指标,确定每一条第二语句相对于特定第一语句的话语表示权重;
相应地,关联性分析层根据语句位置权重,生成第一语句集合中特定第一语句的关联语句信息,包括:
关联性分析层根据每一条第二语句相对于特定第一语句的语句位置权重和话语表示权重,生成第一语句集合中特定第一语句的关联语句信息。
在本发明一些实施例中,第三模型处理模块可以具体用于:
语句特征统计层将特定第一语句以及关联语句信息进行拼接处理,得到特定第一语句对应的拼接信息;
语句特征统计层将拼接信息编码为片段向量,作为特定第一语句对应的片段向量;
语句特征统计层计算特定第一语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为特定第一语句的语句特征。
在本发明一些实施例中,第四模型处理模块可以具体用于:
情感类别预测层确定特定第一语句对应的片段向量的特征权重;
情感类别预测层根据特征权重以及第一概率分布,确定第一对象所属的目标情感类别。
在本发明一些实施例中,第四模型处理模块可以进一步用于:
情感类别预测层根据特征权重以及第一概率分布,确定第一对象相对于预设情感类别的第二概率分布;
情感类别预测层根据第二概率分布,确定概率最大的预设情感类别为第一对象所属的目标情感类别。
在本发明一些实施例中,该信息处理装置还可以包括:
样本获取模块,用于获取训练样本;其中,训练样本包括多个训练对话文本,训练对话文本带有情感类别标记,情感类别标记根据用户反馈接口的用户评分确定;
模型训练模块,用于利用训练样本训练信息处理模型,得到训练后的信息处理模型。
需要说明的是,本发明实施例提供的信息处理装置能够实现图3的方法实施例中的各个过程和效果,并且实现原理相似,为避免重复,这里不再赘述。
本发明实施例还提供了一种信息处理装置,包括:
第二文本获取模块,用于获取对话文本,所述对话文本包括客户对应的客户语句集合和客服人员对应的客服语句集合;所述客户语句集合包括至少两条客户语句,所述客服语句集合包括至少两条客服语句;
第二关联分析模块,用于对所述客户语句集合和所述客服语句集合进行关联性分析,获得所述客户语句集合中特定客户语句的关联语句信息;所述关联语句信息用于表示所述特定客户语句与所述客服语句集合中每一条所述客服语句的相关性;
第二特征确定模块,用于根据所述特定客户语句及其关联语句信息,确定所述特定客户语句的语句特征;
第二类别确定模块,用于根据所述特定客户语句的语句特征,确定所述客户所属的目标情感类别。
在本发明实施例中,能够对由客户的客户语句集合和客服人员的客户语句集合构成的对话文本进行关联性分析,获得用于表征客户语句集合中特定客户语句与客服语句集合中每一条客服语句的相关性的关联语句信息,并且基于该特定客户语句及其关联语句信息,确定该特定客户语句的语句特征,从而根据特定客户语句的语句特征,确定第一对象所属的目标情感类别,无需第一对象对其目标情感类别进行手动标记,仅需获取对话文本,即可基于对话文本快速、准确地分析出第一对象的目标情感类别。
在本发明一些实施例中,第二关联分析模块可以具体用于:
根据客户语句集合中每一条客户语句与客服语句集合中每一条客服语句在对话文本中的相对位置,确定客服语句集合中每一条客服语句相对于每一条客户语句的语句位置权重;
根据语句位置权重,生成客户语句集合中特定客户语句的关联语句信息。
在本发明一些实施例中,该信息处理装置还可以包括:
第二指标获取模块,用于获得客服语句集合中每一条客服语句相对于特定客户语句的相关性指标;
第二指标处理模块,用于根据语句位置权重和相关性指标,确定每一条客服语句相对于特定客户语句的话语表示权重;
相应地,第二关联分析模块可以具体用于:
根据每一条客服语句相对于特定客户语句的语句位置权重和话语表示权重,生成客户语句集合中特定客户语句的关联语句信息。
在本发明一些实施例中,第二特征确定模块可以具体用于:
将特定客户语句以及关联语句信息进行拼接处理,得到特定客户语句对应的拼接信息;
将拼接信息编码为片段向量,作为特定客户语句对应的片段向量;
计算特定客户语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为特定客户语句的语句特征。
在本发明一些实施例中,第二类别确定模块可以具体用于:
确定特定客户语句对应的片段向量的特征权重;
根据特征权重以及第一概率分布,确定客户所属的目标情感类别。
在本发明一些实施例中,第二类别确定模块可以进一步用于:
根据特征权重以及第一概率分布,确定客户相对于预设情感类别的第二概率分布;
根据第二概率分布,确定概率最大的预设情感类别为客户所属的目标情感类别。
需要说明的是,本发明实施例提供的信息处理装置能够实现图3的方法实施例中的各个过程和效果,并且实现原理相似,为避免重复,这里不再赘述。
图8示出了本发明另一个实施例提供的信息处理装置的结构示意图。
如图8所示,该信息处理装置500可以包括:
第三文本获取模块510,用于获取第一对象对应的当前第一语句和历史对话文本,历史对话文本包括第一对象应的历史第一语句集合和第二对象对应的历史第二语句集合历史第一语句集合包括至少一条历史第一语句,所述历第二语句集合包括至少两条历史第二语句;
第三关联分析模块520,用于对当前第一语句和历史对话文本集合进行关联性分析,获得当前第一语句的关联语句信息;关联语句信息用于表示当前第一语句与历史第二语句集合中每一条历史第二语句的相关性;
第三特征确定模块530,用于根据当前第一语句及其关联语句信息,确定当前第一语句的语句特征;
第三类别确定模块540,用于根据当前第一语句的语句特征,确定第一对象所属的当前目标情感类别;
目标类别发送模块550,用于向第二对象发送当前目标情感类别。
在本发明实施例中,能够对当前第一语句和历史对话文本进行分析,利用历史第二语句集合确定当前第一语句的关联语句信息,并且基于当前第一语句和关联语句信息确定当前第一语句的语句特征,从而根据语句特征,确定第一对象所属的当前目标情感类别,并即时向第二对象发送当前目标情感类别,使得第二对象在与第一对象通过即时聊天工具进行对话的过程中,可以随时了解第一对象当前的目标情感类别,从而快速做出调整和反应。
在本发明一些实施例中,该信息处理装置500还可以包括:
提示信息生成模块,用于根据当前目标情感类别,生成处理方案提示信息;
提示信息发送模块,用于向第二对象发送处理方案提示信。
图9示出了本发明一个实施例提供的信息处理设备的硬件结构示意图。如图9所示,信息处理设备600包括输入设备601、输入接口602、中央处理器603、存储器604、输出接口605、以及输出设备606。其中,输入接口602、中央处理器603、存储器604、以及输出接口605通过总线610相互连接,输入设备601和输出设备606分别通过输入接口602和输出接口605与总线610连接,进而与信息处理设备600的其他组件连接。
具体地,输入设备601接收来自外部的输入信息,并通过输入接口602将输入信息传送到中央处理器603;中央处理器603基于存储器604中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器604中,然后通过输出接口605将输出信息传送到输出设备606;输出设备606将输出信息输出到信息处理设备600的外部供用户使用。
也就是说,图9所示的信息处理设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现结合图1至图8描述的信息处理方法和装置。
另外,结合上述实施例中的信息处理方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种信息处理方法。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,上述对本发明特定实施例进行了描述。其它实施例在所附权利要求的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明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揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (23)
1.一种信息处理方法,包括:
获取对话文本,所述对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;所述第一语句集合包括至少两条第一语句,所述第二语句集合包括至少两条第二语句;
对所述第一语句集合和所述第二语句集合进行关联性分析,获得所述第一语句集合中特定第一语句的关联语句信息;所述关联语句信息用于表示所述特定第一语句与所述第二语句集合中每一条所述第二语句的相关性,所述关联语句信息基于所述第二语句集合中每一条第二语句相对于每一条第一语句的语句位置权重确定,或者,所述关联语句信息基于特定第二语句相对于所述特定第一语句的语句位置权重、所述特定第一语句对应的第一语句向量以及特定第二语句对应的第二语句向量确定,所述特定第一语句为所述第一语句集合中的任一条第一语句,所述特定第二语句为所述第二语句集合中的任一条第二语句;
将所述特定第一语句以及所述关联语句信息进行拼接处理,得到所述特定第一语句对应的拼接信息;
将所述拼接信息编码为片段向量,作为所述特定第一语句对应的片段向量;
计算所述特定第一语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为所述特定第一语句的语句特征;
确定所述特定第一语句对应的片段向量的特征权重;
根据所述特征权重以及所述第一概率分布,确定所述第一对象相对于预设情感类别的第二概率分布;
根据所述第二概率分布,确定概率最大的预设情感类别为所述第一对象所属的目标情感类别;
或者,
将所述特定第一语句以及所述关联语句信息进行拼接处理,得到所述特定第一语句对应的拼接信息;
将所述拼接信息编码为片段向量,作为所述特定第一语句的语句特征;
确定所述特定第一语句对应的片段向量的特征权重;
根据所述特定第一语句对应的片段向量和特征权重,确定所述第一对象针对多个预设情感类别的第三概率分布;
根据所述第三概率分布,确定概率最大的预设情感类别作为所述第一对象所属的目标情感类别。
2.根据权利要求1所述的方法,其中,所述对所述第一语句集合和所述第二语句集合进行关联性分析,获得所述第一语句集合中特定第一语句的关联语句信息,包括:
根据所述第一语句集合中每一条第一语句与所述第二语句集合中每一条第二语句在所述对话文本中的相对位置,确定所述第二语句集合中每一条第二语句相对于每一条第一语句的语句位置权重;
根据语句位置权重,生成所述第一语句集合中特定第一语句的关联语句信息。
3.根据权利要求2所述的方法,其中,所述方法还包括:
获得所述第二语句集合中每一条第二语句相对于所述特定第一语句的相关性指标;
根据所述语句位置权重和所述相关性指标,确定每一条第二语句相对于所述特定第一语句的话语表示权重;
相应的,所述根据语句位置权重,生成所述第一语句集合中特定第一语句的关联语句信息,具体包括:
根据每一条第二语句相对于所述特定第一语句的语句位置权重和话语表示权重,生成所述第一语句集合中特定第一语句的关联语句信息。
4.根据权利要求3所述的方法,其中,所述根据所述语句位置权重和所述相关性指标,确定每一条第二语句相对于所述特定第一语句的话语表示权重,包括:
对于所述相关性指标为特定指标值的第二语句,根据所述语句位置权重确定该第二语句相对于所述特定第一语句的话语表示权重;
对于所述相关性指标为非特定指标值的第二语句,确定该第二语句相对于所述特定第一语句的话语表示权重为零。
5.根据权利要求1所述的方法,其中,所述方法还包括:
计算特定第一语句对应的第一语句向量;以及,
计算特定第二语句对应的第二语句向量;
相应的,对所述第一语句集合和所述第二语句集合进行关联性分析,获得所述第一语句集合中特定第一语句的关联语句信息,包括:
根据所述特定第一语句与所述特定第二语句之间的相对位置,确定所述特定第二语句相对于所述特定第一语句的语句位置权重;
根据所述语句位置权重、所述第一语句向量和所述第二语句向量,确定所述特定第一语句相对于所述特定第二语句的关联信息;
根据所述关联信息,确定所述特定第一语句的关联语句信息。
6.根据权利要求5所述的方法,其中,
所述计算特定第一语句对应的第一语句向量,包括:
利用第一编码器对所述特定第一语句进行编码,得到第一隐含状态向量序列,其中,所述第一隐含状态向量序列由多个第一隐含状态向量组成;
将所述第一隐含状态向量序列中的最后一个第一隐含状态向量,作为所述特定第一语句对应的第一语句向量;
和/或,
所述计算特定第二语句对应的第二语句向量,包括:
利用第二编码器对所述第二语句进行编码,得到第二隐含状态向量序列,其中,所述第二隐含状态向量序列由多个第二隐含状态向量组成;
将所述第二隐含状态向量序列中的最后一个第二隐含状态向量,作为所述特定第二语句对应的第二语句向量。
7.根据权利要求1所述的方法,其中,所述第二对象包括多个第二子对象,所述方法还包括:
在所述多个第二子对象中,确定与所述目标情感类别相关联的第二语句所属的目标第二子对象。
8.根据权利要求7所述的方法,其中,所述在所述多个第二子对象中,确定与所述目标情感类别相关联的第二语句所属的目标第二子对象之后,还包括:
若所述目标第二子对象的对象数量大于预设数量阈值,确定所述对话文本中的目标文本内容。
9.一种信息处理方法,其中,所述方法基于预设的信息处理模型实现,所述信息处理模型包括输入层、关联性分析层、语句特征统计层和情感类别预测层,所述方法包括:
所述输入层获取对话文本,所述对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;所述第一语句集合包括至少两条第一语句,所述第二语句集合包括至少两条第二语句;
所述关联性分析层对所述第一语句集合和所述第二语句集合进行关联性分析,获得所述第一语句集合中特定第一语句的关联语句信息;所述关联语句信息用于表示所述特定第一语句与所述第二语句集合中每一条所述第二语句的相关性,所述关联语句信息基于所述第二语句集合中每一条第二语句相对于每一条第一语句的语句位置权重确定,或者,所述关联语句信息基于特定第二语句相对于所述特定第一语句的语句位置权重、所述特定第一语句对应的第一语句向量以及特定第二语句对应的第二语句向量确定,所述特定第一语句为所述第一语句集合中的任一条第一语句,所述特定第二语句为所述第二语句集合中的任一条第二语句;
所述语句特征统计层将所述特定第一语句以及所述关联语句信息进行拼接处理,得到所述特定第一语句对应的拼接信息;将所述拼接信息编码为片段向量,作为所述特定第一语句对应的片段向量;计算所述特定第一语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为所述特定第一语句的语句特征;或者,将所述特定第一语句以及所述关联语句信息进行拼接处理,得到所述特定第一语句对应的拼接信息;将所述拼接信息编码为片段向量,作为所述特定第一语句的语句特征;
所述情感类别预测层确定所述特定第一语句对应的片段向量的特征权重;根据所述特征权重以及所述第一概率分布,确定所述第一对象相对于预设情感类别的第二概率分布;根据所述第二概率分布,确定概率最大的预设情感类别为所述第一对象所属的目标情感类别,或者,确定所述特定第一语句对应的片段向量的特征权重;根据所述特定第一语句对应的片段向量和特征权重,确定所述第一对象针对多个预设情感类别的第三概率分布;根据所述第三概率分布,确定概率最大的预设情感类别作为所述第一对象所属的目标情感类别。
10.根据权利要求9所述的方法,其中,所述关联性分析层对所述第一语句集合和所述第二语句集合进行关联性分析,获得所述第一语句集合中特定第一语句的关联语句信息,包括:
所述关联性分析层根据所述第一语句集合中每一条第一语句与所述第二语句集合中每一条第二语句在所述对话文本中的相对位置,确定所述第二语句集合中每一条第二语句相对于每一条第一语句的语句位置权重;
所述关联性分析层根据语句位置权重,生成所述第一语句集合中特定第一语句的关联语句信息。
11.根据权利要求10所述的方法,其中,所述方法还包括:
所述关联性分析层获得所述第二语句集合中每一条第二语句相对于所述特定第一语句的相关性指标;
所述关联性分析层根据所述语句位置权重和所述相关性指标,确定每一条第二语句相对于所述特定第一语句的话语表示权重;
相应地,所述关联性分析层根据语句位置权重,生成所述第一语句集合中特定第一语句的关联语句信息,包括:
所述关联性分析层根据每一条第二语句相对于所述特定第一语句的语句位置权重和话语表示权重,生成所述第一语句集合中特定第一语句的关联语句信息。
12.根据权利要求9所述的方法,其中,在所述输入层获取对话文本之前,所述方法还包括:
获取训练样本;其中,所述训练样本包括多个训练对话文本,所述训练对话文本带有情感类别标记,所述情感类别标记根据用户反馈接口的用户评分确定;
利用所述训练样本训练所述信息处理模型,得到训练后的信息处理模型。
13.一种信息处理方法,包括:
获取对话文本,所述对话文本包括客户对应的客户语句集合和客服人员对应的客服语句集合;所述客户语句集合包括至少两条客户语句,所述客服语句集合包括至少两条客服语句;
对所述客户语句集合和所述客服语句集合进行关联性分析,获得所述客户语句集合中特定客户语句的关联语句信息;所述关联语句信息用于表示所述特定客户语句与所述客服语句集合中每一条所述客服语句的相关性,所述关联语句信息基于所述客服语句集合中每一条客服语句相对于每一条客户语句的语句位置权重确定,或者,所述关联语句信息基于特定客服语句相对于所述特定客户语句的语句位置权重、所述特定客户语句对应的客户语句向量以及特定客服语句对应的客服语句向量确定,所述特定客户语句为所述客户语句集合中的任一条客户语句,所述特定客服语句为所述客服语句集合中的任一条客服语句;
将所述特定客户语句以及所述关联语句信息进行拼接处理,得到所述特定客户语句对应的拼接信息;
将所述拼接信息编码为片段向量,作为所述特定客户语句对应的片段向量;
计算所述特定客户语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为所述特定客户语句的语句特征;
确定所述特定客户语句对应的片段向量的特征权重;
根据所述特征权重以及所述第一概率分布,确定所述客户相对于预设情感类别的第二概率分布;
根据所述第二概率分布,确定概率最大的预设情感类别为所述客户所属的目标情感类别;
或者,
将所述特定客户语句以及所述关联语句信息进行拼接处理,得到所述特定客户语句对应的拼接信息;
将所述拼接信息编码为片段向量,作为所述特定客户语句的语句特征;
确定所述特定客户语句对应的片段向量的特征权重;
根据所述特定客户语句对应的片段向量和特征权重,确定所述客户针对多个预设情感类别的第三概率分布;
根据所述第三概率分布,确定概率最大的预设情感类别作为所述客户所属的目标情感类别。
14.根据权利要求13所述的方法,其中,所述对所述客户语句集合和所述客服语句集合进行关联性分析,获得所述客户语句集合中特定客户语句的关联语句信息,包括:
根据所述客户语句集合中每一条客户语句与所述客服语句集合中每一条客服语句在所述对话文本中的相对位置,确定所述客服语句集合中每一条客服语句相对于每一条客户语句的语句位置权重;
根据语句位置权重,生成所述客户语句集合中特定客户语句的关联语句信息。
15.根据权利要求14所述的方法,其中,所述方法还包括:
获得所述客服语句集合中每一条客服语句相对于所述特定客户语句的相关性指标;
根据所述语句位置权重和所述相关性指标,确定每一条客服语句相对于所述特定客户语句的话语表示权重;
相应的,所述根据语句位置权重,生成所述客户语句集合中特定客户语句的关联语句信息,具体包括:
根据每一条客服语句相对于所述特定客户语句的语句位置权重和话语表示权重,生成所述客户语句集合中特定客户语句的关联语句信息。
16.一种信息处理方法,包括:
获取第一对象对应的当前第一语句和历史对话文本,所述历史对话文本包括所述第一对象应的历史第一语句集合和第二对象对应的历史第二语句集合;所述历史第一语句集合包括至少一条历史第一语句,所述历史第二语句集合包括至少两条历史第二语句;
对所述当前第一语句和所述历史对话文本集合进行关联性分析,获得所述当前第一语句的关联语句信息;所述关联语句信息用于表示所述当前第一语句与所述历史第二语句集合中每一条所述历史第二语句的相关性,所述关联语句信息基于所述历史第二语句集合中每一条历史第二语句相对于所述当前第一语句的语句位置权重确定,或者,所述关联语句信息基于特定历史第二语句相对于所述当前第一语句的语句位置权重、所述当前第一语句对应的第一语句向量以及特定历史第二语句对应的第二语句向量确定,所述特定历史第二语句为所述历史第二语句集合中的任一条历史第二语句;
将所述当前第一语句以及所述关联语句信息进行拼接处理,得到所述当前第一语句对应的拼接信息;
将所述拼接信息编码为片段向量,作为所述当前第一语句对应的片段向量;
计算所述当前第一语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为所述当前第一语句的语句特征;
确定所述当前第一语句对应的片段向量的特征权重;
根据所述特征权重以及所述第一概率分布,确定所述第一对象相对于预设情感类别的第二概率分布;
根据所述第二概率分布,确定概率最大的预设情感类别为所述第一对象所属的目标情感类别;
或者,
将所述当前第一语句以及所述关联语句信息进行拼接处理,得到所述当前第一语句对应的拼接信息;
将所述拼接信息编码为片段向量,作为所述当前第一语句的语句特征;
确定所述当前第一语句对应的片段向量的特征权重;
根据所述当前第一语句对应的片段向量和特征权重,确定所述第一对象针对多个预设情感类别的第三概率分布;
根据所述第三概率分布,确定概率最大的预设情感类别作为所述第一对象所属的目标情感类别;
向所述第二对象发送所述目标情感类别。
17.根据权利要求16所述的方法,其中,所述根据所述当前第一语句的语句特征,确定所述第一对象所属的当前目标情感类别之后,还包括:
根据所述当前目标情感类别,生成处理方案提示信息;
向所述第二对象发送所述处理方案提示信。
18.一种信息处理装置,其中,所述装置包括:
第一文本获取模块,用于获取对话文本,所述对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;所述第一语句集合包括至少两条第一语句,所述第二语句集合包括至少两条第二语句;
第一关联分析模块,用于对所述第一语句集合和所述第二语句集合进行关联性分析,获得所述第一语句集合中特定第一语句的关联语句信息;所述关联语句信息用于表示所述特定第一语句与所述第二语句集合中每一条所述第二语句的相关性,所述关联语句信息基于所述第二语句集合中每一条第二语句相对于每一条第一语句的语句位置权重确定,或者,所述关联语句信息基于特定第二语句相对于所述特定第一语句的语句位置权重、所述特定第一语句对应的第一语句向量以及特定第二语句对应的第二语句向量确定,所述特定第一语句为所述第一语句集合中的任一条第一语句,所述特定第二语句为所述第二语句集合中的任一条第二语句;
第一特征确定模块,用于将所述特定第一语句以及所述关联语句信息进行拼接处理,得到所述特定第一语句对应的拼接信息;将所述拼接信息编码为片段向量,作为所述特定第一语句对应的片段向量;计算所述特定第一语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为所述特定第一语句的语句特征;或者,将所述特定第一语句以及所述关联语句信息进行拼接处理,得到所述特定第一语句对应的拼接信息;将所述拼接信息编码为片段向量,作为所述特定第一语句的语句特征;
第一类别确定模块,用于确定所述特定第一语句对应的片段向量的特征权重;根据所述特征权重以及所述第一概率分布,确定所述第一对象相对于预设情感类别的第二概率分布;根据所述第二概率分布,确定概率最大的预设情感类别为所述第一对象所属的目标情感类别,或者,确定所述特定第一语句对应的片段向量的特征权重;根据所述特定第一语句对应的片段向量和特征权重,确定所述第一对象针对多个预设情感类别的第三概率分布;根据所述第三概率分布,确定概率最大的预设情感类别作为所述第一对象所属的目标情感类别。
19.一种信息处理装置,其中,所述装置基于预设的信息处理模型进行信息处理,所述信息处理模型包括输入层、关联性分析层、语句特征统计层和情感类别预测层,所述装置包括:
第一模型处理模块,所述第一模型处理模块设有所述输入层,用于获取对话文本,所述对话文本包括第一对象对应的第一语句集合和第二对象对应的第二语句集合;所述第一语句集合包括至少两条第一语句,所述第二语句集合包括至少两条第二语句;
第二模型处理模块,所述第二模型处理模块设有所述关联性分析层,用于对所述第一语句集合和所述第二语句集合进行关联性分析,获得所述第一语句集合中特定第一语句的关联语句信息;所述关联语句信息用于表示所述特定第一语句与所述第二语句集合中每一条所述第二语句的相关性;所述关联语句信息基于所述第二语句集合中每一条第二语句相对于每一条第一语句的语句位置权重确定,或者,所述关联语句信息基于特定第二语句相对于所述特定第一语句的语句位置权重、所述特定第一语句对应的第一语句向量以及特定第二语句对应的第二语句向量确定,所述特定第一语句为所述第一语句集合中的任一条第一语句,所述特定第二语句为所述第二语句集合中的任一条第二语句;
第三模型处理模块,所述第三模型处理模块设有所述语句特征统计层,用于将所述特定第一语句以及所述关联语句信息进行拼接处理,得到所述特定第一语句对应的拼接信息;将所述拼接信息编码为片段向量,作为所述特定第一语句对应的片段向量;计算所述特定第一语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为所述特定第一语句的语句特征,或者,将所述特定第一语句以及所述关联语句信息进行拼接处理,得到所述特定第一语句对应的拼接信息;将所述拼接信息编码为片段向量,作为所述特定第一语句的语句特征;
第四模型处理模块,所述第四模型处理模块设有所述情感类别预测层,确定所述特定第一语句对应的片段向量的特征权重;根据所述特征权重以及所述第一概率分布,确定所述第一对象相对于预设情感类别的第二概率分布;根据所述第二概率分布,确定概率最大的预设情感类别为所述第一对象所属的目标情感类别,或者,确定所述特定第一语句对应的片段向量的特征权重;根据所述特定第一语句对应的片段向量和特征权重,确定所述第一对象针对多个预设情感类别的第三概率分布;根据所述第三概率分布,确定概率最大的预设情感类别作为所述第一对象所属的目标情感类别。
20.一种信息处理装置,其中,所述装置包括:
第二文本获取模块,用于获取对话文本,所述对话文本包括客户对应的客户语句集合和客服人员对应的客服语句集合;所述客户语句集合包括至少两条客户语句,所述客服语句集合包括至少两条客服语句;
第二关联分析模块,用于对所述客户语句集合和所述客服语句集合进行关联性分析,获得所述客户语句集合中特定客户语句的关联语句信息;所述关联语句信息用于表示所述特定客户语句与所述客服语句集合中每一条所述客服语句的相关性,所述关联语句信息基于所述客服语句集合中每一条客服语句相对于每一条客户语句的语句位置权重确定,或者,所述关联语句信息基于特定客服语句相对于所述特定客户语句的语句位置权重、所述特定客户语句对应的客户语句向量以及特定客服语句对应的客服语句向量确定,所述特定客户语句为所述客户语句集合中的任一条客户语句,所述特定客服语句为所述客服语句集合中的任一条客服语句;
第二特征确定模块,用于将所述特定客户语句以及所述关联语句信息进行拼接处理,得到所述特定客户语句对应的拼接信息;将所述拼接信息编码为片段向量,作为所述特定客户语句对应的片段向量;计算所述特定客户语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为所述特定客户语句的语句特征;或者,将所述特定客户语句以及所述关联语句信息进行拼接处理,得到所述特定客户语句对应的拼接信息;将所述拼接信息编码为片段向量,作为所述特定客户语句的语句特征;
第二类别确定模块,用于确定所述特定客户语句对应的片段向量的特征权重;根据所述特征权重以及所述第一概率分布,确定所述客户相对于预设情感类别的第二概率分布;根据所述第二概率分布,确定概率最大的预设情感类别为所述客户所属的目标情感类别,或者,确定所述特定客户语句对应的片段向量的特征权重;根据所述特定客户语句对应的片段向量和特征权重,确定所述客户针对多个预设情感类别的第三概率分布;根据所述第三概率分布,确定概率最大的预设情感类别作为所述客户所属的目标情感类别。
21.一种信息处理装置,其中,所述装置包括:
第三文本获取模块,用于获取第一对象对应的当前第一语句和历史对话文本,所述历史对话文本包括所述第一对象应的历史第一语句集合和第二对象对应的历史第二语句集合;所述历史第一语句集合包括至少一条历史第一语句,所述历史第二语句集合包括至少两条历史第二语句;
第三关联分析模块,用于对所述当前第一语句和所述历史对话文本集合进行关联性分析,获得所述当前第一语句的关联语句信息;所述关联语句信息用于表示所述当前第一语句与所述历史第二语句集合中每一条所述历史第二语句的相关性,所述关联语句信息基于所述历史第二语句集合中每一条历史第二语句相对于所述当前第一语句的语句位置权重确定,或者,所述关联语句信息基于特定历史第二语句相对于所述当前第一语句的语句位置权重、所述当前第一语句对应的第一语句向量以及特定历史第二语句对应的第二语句向量确定,所述特定历史第二语句为所述历史第二语句集合中的任一条历史第二语句;
第三特征确定模块,用于将所述当前第一语句以及所述关联语句信息进行拼接处理,得到所述当前第一语句对应的拼接信息;将所述拼接信息编码为片段向量,作为所述当前第一语句对应的片段向量;计算所述当前第一语句对应的片段向量相对于预设情感特征类别的第一概率分布,作为所述当前第一语句的语句特征;或者,将所述当前第一语句以及所述关联语句信息进行拼接处理,得到所述当前第一语句对应的拼接信息;将所述拼接信息编码为片段向量,作为所述当前第一语句的语句特征;
第三类别确定模块,用于确定所述当前第一语句对应的片段向量的特征权重;根据所述特征权重以及所述第一概率分布,确定所述第一对象相对于预设情感类别的第二概率分布;根据所述第二概率分布,确定概率最大的预设情感类别为所述第一对象所属的目标情感类别,或者,确定所述当前第一语句对应的片段向量的特征权重;根据所述当前第一语句对应的片段向量和特征权重,确定所述第一对象针对多个预设情感类别的第三概率分布;根据所述第三概率分布,确定概率最大的预设情感类别作为所述第一对象所属的目标情感类别;
目标类别发送模块,用于向所述第二对象发送所述目标情感类别。
22.一种信息处理设备,其中,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-8任意一项、权利要求9-12任意一项、权利要求13-15任意一项或者权利要求16-17任意一项所述的信息处理方法。
23.一种计算机可读存储介质,其中,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项、权利要求9-12任意一项、权利要求13-15任意一项或者权利要求16-17任意一项所述的信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010219310.8A CN113449087B (zh) | 2020-03-25 | 2020-03-25 | 信息处理方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010219310.8A CN113449087B (zh) | 2020-03-25 | 2020-03-25 | 信息处理方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449087A CN113449087A (zh) | 2021-09-28 |
CN113449087B true CN113449087B (zh) | 2024-03-08 |
Family
ID=77807496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010219310.8A Active CN113449087B (zh) | 2020-03-25 | 2020-03-25 | 信息处理方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449087B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150087023A (ko) * | 2014-01-21 | 2015-07-29 | 엘지전자 주식회사 | 감성음성 합성장치, 감성음성 합성장치의 동작방법, 및 이를 포함하는 이동 단말기 |
CN108920510A (zh) * | 2018-05-30 | 2018-11-30 | 出门问问信息科技有限公司 | 自动聊天方法、装置和电子设备 |
CN109977413A (zh) * | 2019-03-29 | 2019-07-05 | 南京邮电大学 | 一种基于改进cnn-lda的情感分析方法 |
CN110222178A (zh) * | 2019-05-24 | 2019-09-10 | 新华三大数据技术有限公司 | 文本情感分类方法、装置、电子设备及可读存储介质 |
CN110427490A (zh) * | 2019-07-03 | 2019-11-08 | 华中科技大学 | 一种基于自注意力机制的情感对话生成方法与装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9978362B2 (en) * | 2014-09-02 | 2018-05-22 | Microsoft Technology Licensing, Llc | Facet recommendations from sentiment-bearing content |
JP6671020B2 (ja) * | 2016-06-23 | 2020-03-25 | パナソニックIpマネジメント株式会社 | 対話行為推定方法、対話行為推定装置及びプログラム |
KR102289917B1 (ko) * | 2017-06-30 | 2021-08-12 | 삼성에스디에스 주식회사 | 화행 정보를 이용한 대화 처리 방법 및 그 장치 |
-
2020
- 2020-03-25 CN CN202010219310.8A patent/CN113449087B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150087023A (ko) * | 2014-01-21 | 2015-07-29 | 엘지전자 주식회사 | 감성음성 합성장치, 감성음성 합성장치의 동작방법, 및 이를 포함하는 이동 단말기 |
CN108920510A (zh) * | 2018-05-30 | 2018-11-30 | 出门问问信息科技有限公司 | 自动聊天方法、装置和电子设备 |
CN109977413A (zh) * | 2019-03-29 | 2019-07-05 | 南京邮电大学 | 一种基于改进cnn-lda的情感分析方法 |
CN110222178A (zh) * | 2019-05-24 | 2019-09-10 | 新华三大数据技术有限公司 | 文本情感分类方法、装置、电子设备及可读存储介质 |
CN110427490A (zh) * | 2019-07-03 | 2019-11-08 | 华中科技大学 | 一种基于自注意力机制的情感对话生成方法与装置 |
Non-Patent Citations (4)
Title |
---|
Kazuyuki Matsumoto等.Emotion predicting method based on emotion state change of personae according to the other's utterances.2014 IEEE 3rd International Conference on Cloud Computing and Intelligence Systems.2015,全文. * |
交互式问答的关系结构体系及标注;周小强;王晓龙;陈清财;;中文信息学报(第05期);全文 * |
基于cw2vec与BiLSTM的中文商品评论情感分类;高统超;张云华;;软件导刊(第04期);全文 * |
面向智能客服系统的情感分析技术;宋双永;王超;陈成龙;周伟;陈海青;;中文信息学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113449087A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110032623B (zh) | 用户问句与知识点标题的匹配方法和装置 | |
CN111966800A (zh) | 情感对话生成方法、装置及情感对话模型训练方法、装置 | |
CN111883115B (zh) | 语音流程质检的方法及装置 | |
CN108021705A (zh) | 一种答案生成方法及装置 | |
CN111339302A (zh) | 训练要素分类模型的方法和装置 | |
CN111259130B (zh) | 用于在对话中提供答复语句的方法及装置 | |
CN110727844B (zh) | 一种基于生成对抗网络的在线评论商品特征观点提取方法 | |
CN111552787B (zh) | 问答处理方法、装置、设备及存储介质 | |
CN109325780A (zh) | 一种面向电子政务领域的智能客服系统的交互方法 | |
CN112364148B (zh) | 一种基于深度学习方法的生成型聊天机器人 | |
CN112017694A (zh) | 语音数据的评测方法和装置、存储介质和电子装置 | |
CN110992943B (zh) | 基于词混淆网络的语义理解方法及系统 | |
CN111554275B (zh) | 语音识别方法、装置、设备及计算机可读存储介质 | |
CN113449087B (zh) | 信息处理方法、装置、设备及计算机可读存储介质 | |
CN110390109A (zh) | 分析多条群聊消息间关联关系的方法和装置 | |
CN116450848A (zh) | 一种基于事理图谱的计算思维水平评估方法、装置及介质 | |
CN111695745A (zh) | 一种在线服务提供者服务质量评估方法和装置 | |
CN114021581B (zh) | 一种基于回复增强的隐式个性化对话生成方法 | |
CN115455984A (zh) | 一种任务型客服服务升级方法及装置 | |
JP7320248B2 (ja) | 興味推定方法、興味推定装置および興味推定プログラム | |
CN114049973A (zh) | 对话质检方法、电子设备、计算机存储介质及程序产品 | |
CN110858215B (zh) | 一种基于深度学习的端到端目标引导型对话方法 | |
CN114911911A (zh) | 一种多轮对话方法、装置及电子设备 | |
CN113378569A (zh) | 模型生成、实体识别方法、装置、电子设备及存储介质 | |
CN115905642B (zh) | 一种增强发言情感的方法、系统、终端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |