CN113704410B - 情绪波动检测方法、装置、电子设备及存储介质 - Google Patents

情绪波动检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113704410B
CN113704410B CN202111011083.0A CN202111011083A CN113704410B CN 113704410 B CN113704410 B CN 113704410B CN 202111011083 A CN202111011083 A CN 202111011083A CN 113704410 B CN113704410 B CN 113704410B
Authority
CN
China
Prior art keywords
text
emotion
voice
user voice
change amplitude
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
CN202111011083.0A
Other languages
English (en)
Other versions
CN113704410A (zh
Inventor
吴毓霖
代本辉
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.)
Beijing Peihong Wangzhi Technology Co ltd
Good Feeling Health Industry Group Co ltd
Shenzhen Lian Intellectual Property Service Center
Original Assignee
Good Feeling Health Industry Group 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 Good Feeling Health Industry Group Co ltd filed Critical Good Feeling Health Industry Group Co ltd
Priority to CN202111011083.0A priority Critical patent/CN113704410B/zh
Publication of CN113704410A publication Critical patent/CN113704410A/zh
Application granted granted Critical
Publication of CN113704410B publication Critical patent/CN113704410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3343—Query execution using phonetics
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Library & Information Science (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及人工智能技术，揭露一种情绪波动检测方法，包括：在人机交互过程中，每次提取用户的第i条用户语音及第i+1条用户语音的语音情绪特征及文本情绪特征，利用所述语音情绪特征及所述文本情绪特征，计算用户的情绪变化幅度，当用户的任一情绪变化幅度，即语音情绪变化幅度或文本情绪变化幅度大于或等于预设的预警阈值时，则触发预设的情绪波动干预机制。此外，本发明还涉及区块链技术，语音或文本情绪特征可存储于区块链的节点。本发明还提出一种情绪波动检测装置、设备以及介质。本发明可以实时检测人机交互过程中发生的用户的情绪波动，以提高用户体验。

Description

情绪波动检测方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种情绪波动检测方法、装置、电子设备及计算机可读存储介质。
背景技术
近年来，随着人工智能技术的不断发展，人机交互在机场、银行、商场等场所得到广泛的应用。人机交互应用不仅要求对话机器人要理解用户的意图，还需要理解用户的情绪，需要对不同用户、不同环境、不同任务给予不同的反馈和支持。
高精度的人机交互日益受到研究者的重视，现阶段的人机交互研究多为基于不同模态信号的情绪识别，例如，基于表情、语音、文本、肢体动作的情绪识别，以便进一步完善对话机器人的话术，从而提升人机交互质量。这种情绪识别关注的是用户最终的情绪状态，忽略了在人机交互过程中，可能会发生的用户的情绪波动，对话机器人不能及时调整话术安抚用户，可能会降低用户的体验感。
发明内容
本发明提供一种情绪波动检测方法、装置及计算机可读存储介质，其主要目的在于实时检测人机交互过程中发生的用户的情绪波动，以提高用户体验。
为实现上述目的，本发明提供的一种情绪波动检测方法，包括：
从人机交互中获取第i条用户语音，其中i＝1、2、3…n，并获取第i+1条用户语音，提取所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征；
分别将所述第i条用户语音及所述第i+1条用户语音转换为相应的第一文本及第二文本，提取所述第一文本的文本情绪特征及所述第二文本的文本情绪特征；
利用所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征，计算得到所述第i条用户语音与所述第i+1条用户语音之间的语音情绪变化幅度；
利用所述第一文本的文本情绪特征及所述第二文本的文本情绪特征，计算得到所述第一文本与所述第二文本之间的文本情绪变化幅度；
判断所述语音情绪变化幅度及所述文本情绪变化幅度是否都小于预设的预警阈值；
若所述语音情绪变化幅度及所述文本情绪变化幅度都小于所述预设的预警阈值，则利用i+1更新所述i，并返回上述的从人机交互中获取第i条用户语音的步骤；
若所述语音情绪变化幅度或所述文本情绪变化幅度不小于所述预设的预警阈值时，则触发预设的情绪波动干预机制。
可选地，所述提取所述第i条用户语音的语音情绪特征，包括：
对所述第i条用户语音进行分帧加窗，得到多个语音帧，并从所述多个语音帧中逐个选取其中一个语音帧为目标语音帧；
将所述目标语音帧映射为语音时域图，统计所述语音时域图的峰值、幅值、均值和过零率，根据所述幅值计算帧能量，并将所述峰值、所述幅值、所述均值、所述帧能量及所述过零率汇集为所述第i条用户语音的语音情绪特征。
可选地，所述提取所述第一文本的文本情绪特征，包括：
对所述第一文本执行分词操作，得到文本分词集；
从所述文本分词集中逐个选取其中一个文本分词为目标分词，并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数；
利用每一个文本分词对应的共现次数构建共现矩阵；
分别将所述多个文本分词转换为词向量，将所述词向量拼接为向量矩阵；
利用所述共现矩阵和所述向量矩阵进行乘积运算，得到文本向量矩阵。
根据所述文本向量矩阵得到所述第一文本的文本情绪特征。
可选地，所述根据所述文本向量矩阵得到所述第一文本的文本情绪特征，包括：
从所述文本分词集中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量及所述文本向量矩阵，计算所述目标分词的关键值；
按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词；
将所述特征分词的词向量拼接得到所述文本内容的文本特征。
可选地，所述计算得到所述第i条用户语音与所述第i+1条用户语音之间的语音情绪变化幅度，包括：
分别将所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征中每一个特征进行离散化处理；
根据所述离散化后的每一个语音情绪特征取值分布情况，计算得到所述第i条用户语音的语音情绪特征均方差及所述第i+1条用户语音的语音情绪特征的均方差；
将所述第i条用户语音的语音情绪特征的均方差与所述第i+1条用户语音的语音情绪特征的均方差之间的绝对差值作为所述语音情绪变化幅度。
可选地，所述计算得到所述第一文本与所述第二文本之间的文本情绪变化幅度，包括：
根据所述第一文本的文本情绪特征，利用预先训练的分类模型对所述第一文本进行情绪分类，得到所述第一文本的分类结果；
根据所述第二文本的文本情绪特征，利用所述分类模型对所述第二文本进行情绪分类，得到所述第二文本的分类结果；
从预设的情绪状态分值表中，查找所述第一文本的分类结果及所述第二文本的分类结果对应的情绪状态分值，并计算所述第一文本的情绪状态分值与所述第一文本的情绪状态分值之间的文本情绪绝对差值，将所述文本情绪绝对差值作为所述文本情绪变化幅度。
可选地，所述判断所述语音情绪变化幅度及所述文本情绪变化幅度是否都小于预设的预警阈值，包括：
利用预设的调整系数与所述语音情绪变化幅度进行乘积运算，得到调整后的语音情绪变化幅度；
比较所述调整后的所述语音情绪变化幅度与预设的预警阈值之间的大小关系及比较所述文本情绪变化幅度与预设的预警阈值之间的大小关系。
为了解决上述问题，本发明还提供一种情绪波动检测装置，所述装置包括：
情绪特征提取模块，用于从人机交互中获取第i条用户语音，其中i＝1、2、3…n，并获取第i+1条用户语音，提取所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征；分别将所述第i条用户语音及所述第i+1条用户语音转换为相应的第一文本及第二文本，提取所述第一文本的文本情绪特征及所述第二文本的文本情绪特征；
情绪变化幅度计算模块，用于利用所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征，计算得到所述第i条用户语音与所述第i+1条用户语音之间的语音情绪变化幅度；利用所述第一文本的文本情绪特征及所述第二文本的文本情绪特征，计算得到所述第一文本与所述第二文本之间的文本情绪变化幅度；
情绪波动识别模块，用于判断所述语音情绪变化幅度及所述文本情绪变化幅度是否都小于预设的预警阈值；若所述语音情绪变化幅度及所述文本情绪变化幅度都小于所述预设的预警阈值，则利用i+1更新所述i，并返回上述的从人机交互中获取第i条用户语音的步骤；若所述语音情绪变化幅度或所述文本情绪变化幅度不小于所述预设的预警阈值时，则触发预设的情绪波动干预机制。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的情绪波动检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的情绪波动检测方法。
本发明申请通过在人机交互过程中，每次提取用户的第i条用户语音及第i+1条用户语音的语音情绪特征及文本情绪特征，利用所述语音情绪特征及所述文本情绪特征，计算所述第i条用户语音及所述第i+1条用户语音之间相应的语音情绪变化幅度及文本情绪变化幅度，通过所述变化幅度表现用户情绪的波动情况，当所述语音情绪变化幅度或所述文本情绪变化幅度大于或等于预设的预警阈值时，则触发预设的情绪波动干预机制，从而实现了在人机交互过程中，对用户情绪波动的实时监测。
附图说明
图1为本发明一实施例提供的情绪波动检测方法的流程示意图；
图2为图1所示情绪波动检测方法中其中一个步骤的详细实施流程示意图；
图3为图1所示情绪波动检测方法中其中一个步骤的详细实施流程示意图；
图4为图1所示情绪波动检测方法中其中一个步骤的详细实施流程示意图；
图5为图1所示情绪波动检测方法中其中一个步骤的详细实施流程示意图；
图6为本发明一实施例提供的情绪波动检测装置的功能模块图；
图7为本发明一实施例提供的实现所述情绪波动检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种情绪波动检测方法。所述情绪波动检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述情绪波动检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的情绪波动检测方法的流程示意图。在本实施例中，所述情绪波动检测方法包括：
S1、从人机交互中获取第i条用户语音，其中i＝1、2、3…n，并获取第i+1条用户语音，提取所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征；
本发明实施例中，所述第i条用户语音及所述第i+1条用户语音为同一用户在预设语音采集频率下相邻的两个时间段内产生的用户语音。例如，所述预设语音采集频率为次/3秒，在用户与智能AI客服交互的过程中，每隔3秒获取一次用户语音，第一个3秒内获取的用户语音为第i条用户语音，第二个3秒内获取的用户语音为第i+1条用户语音。
本发明实施例中，可通过具有数据抓取功能的计算机语句(java语句、python语句等)从预先构建的存储区域中获取用户授权的可被获取的语音信息，所述存储区域包括但不限于数据库、区块链、网络缓存。
详细地，所述提取所述第i条用户语音的语音情绪特征，包括：对所述第i条用户语音进行分帧加窗，得到多个语音帧，并从所述多个语音帧中逐个选取其中一个语音帧为目标语音帧；将所述目标语音帧映射为语音时域图，统计所述语音时域图的峰值、幅值、均值和过零率，根据所述幅值计算帧能量，并将所述峰值、所述幅值、所述均值、所述帧能量及所述过零率汇集为所述第i条用户语音的语音情绪特征。
详细地，可通过汉明窗的方式对所述第i条用户语音进行分帧加窗，得到多个语音帧，可实现利用信号的局部稳定性，提高对语言学习进行分析的精确度。
具体地，可利用matplotlib.pyplot包中的pcolormesh函数(预设第一函数)将所述目标语音帧映射为语音时域图，并通过数理统计，获取所述语音时域图的峰值、幅值均值和过零率，进而根据所述幅值计算帧能量。
示例性地，可利用如下能量算法计算所述帧能量：
其中，energy为第y个语音帧的帧能量，N为所述第y个语音帧的总时长，x_n为所述第y个语音帧在n时刻的幅值。
在实际应用中，还可以提取所述第i条用户语音的谱域特征或谱域特征作为所述第i条用户语音的语音情绪特征。
需要说明的是，提取所述第i+1条用户语音的语音情绪特征的方法与上述方法相同。
S2、分别将所述第i条用户语音及所述第i+1条用户语音转换为相应的第一文本及第二文本，提取所述第一文本的文本情绪特征及所述第二文本的文本情绪特征；
本发明实施例中，所述第i条用户语音情绪特征及所述第i+1条用户语音情绪特征是基于用户语音信息的声学特征，并未对用户的语音信息的内容进行分析，因此，为了提高对用户情绪识别的精确度，本发明实施例将所述第i条用户语音及所述第i+1条用户语音转换为所述第一文本及所述第二文本，并对所述第一文本及所述第二文本进行分析，得到所述文本情绪特征。
详细地，可利用声学模型分别将第i条用户语音及所述第i+1条用户语音转换为相应的第一文本及第二文本，所述声学模型通过对每个字进行发声的建模，以建立包含多个字，及每个字对应的标准发声的数据库，通过对所述第i条用户语音及所述第i+1条用户语音中每个时刻下用户发声的采集，以获取每个时刻下用户的发声，进而将该发声与预先构建的包含多个字，及每个字对应的标准发声的数据库中的字进行概率匹配，以此实现对语音信息进行语音识别，得到所述第一文本及所述第二文本。
本发明实施例中，由于所述第一文本及所述第二文本由自然语言组成，若直接对所述第一文本及所述第二文本进行分析，会占用大量的计算资源，导致分析的效率低下，因此，可将所述第一文本及所述第二文本分别转换为文本向量矩阵，进而将由自然语言表达的文本内容转换为数值形式。
本发明实施例中，可采用Glove(Global Vectors for Word Representation，全局词向量)、Embedding Layer等方法将所述第一文本及所述第二文本转换为文本向量矩阵。
详细地，参阅图2所示，所述S2，包括：
S21、对所述第一文本执行分词操作，得到文本分词集；
S22、从所述文本分词集中逐个选取其中一个文本分词为目标分词，并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数；
S23、利用每一个文本分词对应的共现次数构建共现矩阵；
S24、分别将所述多个文本分词转换为词向量，将所述词向量拼接为向量矩阵；
S25、利用所述共现矩阵和所述向量矩阵进行乘积运算，得到文本向量矩阵。
S26、根据所述文本向量矩阵得到所述第一文本的文本情绪特征。
本发明实施例中，可采用预设的标准词典对所述文本内容进行分词处理，得到多个文本分词，所述标准词典中包含多个标准分词。
例如，将所述文本内容按照不同的长度在所述标准词典中进行检索，若能检索到与所述文本内容相同的标准分词，则可确定检索到的该标准分词为所述文本内容的文本分词。
示例性地，可利用每一个文本分词对应的所述共现次数构建如下所示的共现矩阵：
其中，Xi,j为所述文本内容中关键词i与该关键词i的相邻文本分词j的共现次数。
进一步地，参阅图3所示，所述S26，包括：
S261、从所述文本分词集中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量及所述文本向量矩阵，计算所述目标分词的关键值；
S262、按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词；
S263、将所述特征分词的词向量拼接得到所述文本内容的文本特征。
详细地，并非每一个文本分词均是所述第一文本的文本情绪特征，因此，需要对所述多个文本分词进行筛选，本发明实施例从所述多个文本分词中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量与所述第一文本向量矩阵，计算所述目标分词的关键值，以根据所述关键值筛选出对所述第一文本具有代表性的特征分词，以实现获取所述第一文本的文本情绪特征。
具体地，所述根据所述目标分词的词向量与所述文本向量矩阵计算所述目标分词的关键值，包括：
利用如下关键值算法计算所述目标分词的关键值：
其中，K为所述关键值，|W|为所述文本向量矩阵，T为矩阵转置符号，||为求模符号，A→为所述目标分词的词向量。
本发明实施例中，按照每一个文本分词的关键值从大到小的顺序从所述将所述多个文本分词中选取预设数量的文本分词为特征分词。
例如，所述多个文本分词包括：文本分词A、文本分词B和文本分词C，其中，文本分词A的关键值为80，文本分词B的关键值为70，文本分词C的关键值为30，若预设数量为2，则按照所述关键值从大到小的顺序，选取文本分词A和文本分词B为特征分词，并将所述文本分词A和所述文本分词B的词向量进行拼接，得到所述文本内容的文本特征。
需要说明的是，提取所述第i+1条用户语音的语音情绪特征的方法与上述方法相同。
S3、利用所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征，计算得到所述第i条用户语音与所述第i+1条用户语音之间的语音情绪变化幅度；
本发明实施例中，为了便于计算所述第i条用户语音的语音情绪特征与所述第i+1条用户语音的语音情绪特征之间的变化幅度，需要将所述语音情绪特征转化为可量化的数值形式。
本发明实施例中，可借助数据可视化方法，例如，箱线图数据分析方法，将所述第i条用户语音的语音情绪特征与所述第i+1条用户语音的语音情绪特征进行离散化处理，进而对离散化后的语音情绪特征进行逻辑计算。
详细地，参阅图4所示，所述S3，包括：
S31、分别将所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征中每一个特征进行离散化处理；
S32、根据所述离散化后的每一个语音情绪特征取值分布情况，计算得到所述第i条用户语音的语音情绪特征均方差及所述第i+1条用户语音的语音情绪特征的均方差；
S33、将所述第i条用户语音的语音情绪特征的均方差与所述第i+1条用户语音的语音情绪特征的均方差之间的绝对差值作为所述语音情绪变化幅度；
在实际应用中，也可以采用求所述第i条用户语音的语音情绪特征的中位数，将所述第i条用户语音的语音情绪特征的中位数与所述第i+1条用户语音的语音情绪特征的中位数之间的绝对差值作为所述语音情绪变化幅度。
S4、利用所述第一文本的文本情绪特征及所述第二文本的文本情绪特征，计算得到所述第一文本与所述第二文本之间的文本情绪变化幅度；
本发明实施例中，可以根据预设的情绪状态分值表，计算得到所述第一文本与所述第二文本之间的文本情绪变化幅度。所述预设的情绪状态分值表是根据预设的正向平静情绪到负向情绪的演进几种情绪状态，按照情绪状态演进的顺序依次对相应的情绪状态设置相应的分值，例如，平静情绪状态的分值为1分、中立情绪状态的分值为2分、烦躁情绪状态的分值为3分、生气情绪状态的分值为4、厌恶情绪状态的分值为5分，利用不同情绪状态分值之间的绝对差值反映用户的情绪波动幅度。
详细地，参阅图5所示，所述S4，包括：
S41、根据所述第一文本的文本情绪特征，利用预先训练的分类模型对所述第一文本进行情绪分类，得到所述第一文本的分类结果；
S42、根据所述第二文本的文本情绪特征，利用所述分类模型对所述第二文本进行情绪分类，得到所述第二文本的分类结果；
S43、从预设的情绪状态分值表中，查找所述第一文本的分类结果及所述第二文本的分类结果对应的情绪状态分值，并计算所述第一文本的情绪状态分值与所述第一文本的情绪状态分值之间的文本情绪绝对差值，将所述文本情绪绝对差值作为所述文本情绪变化幅度。
本发明实施例中，所述预先训练的分类模型可以采用常见的分类算法，例如，KNN(K-Nearest Neighbor,最邻近分类算法)、SVM(Support Vector Machine，支持向量机)。
S5、判断所述语音情绪变化幅度及所述文本情绪变化幅度是否都小于预设的预警阈值；
本发明实施例中，因所述语音情绪变化幅度及所述文本情绪变化幅度的取值范围可能不同，为了能同时和所述预设的预警阈值进行比较，需要将所述语音情绪变化幅度或所述文本情绪变化幅度进行调整。利用调整后的所述语音情绪变化幅度或所述文本情绪变化幅度与所述预设的预警阈值进行比较。
详细地，所述判断所述语音情绪变化幅度及所述文本情绪变化幅度是否都小于预设的预警阈值，包括：利用预设的调整系数与所述语音情绪变化幅度进行乘积运算，得到调整后的语音情绪变化幅度；比较所述调整后的所述语音情绪变化幅度与预设的预警阈值之间的大小关系及比较所述文本情绪变化幅度与预设的预警阈值之间的大小关系。
本发明实施例中，所述预设的调整系数及所述预设的预警阈值是根据大量的实验数据得到的经验值。
S6、若所述语音情绪变化幅度及所述文本情绪变化幅度都小于所述预设的预警阈值，则利用i+1更新所述i，并返回S1；
本发明实施例中，若所述语音情绪变化幅度及所述文本情绪变化幅度都小于所述预设的预警阈值，即检测到用户没有发生较大的情绪波动，需要获取用户第i+1条用户语音，继续监测用户后续的情绪状态变化。
S7、若所述语音情绪变化幅度或所述文本情绪变化幅度不小于所述预设的预警阈值时，则触发预设的情绪波动干预机制。
本发明实施例中，当所述语音情绪变化幅度大于或等于所述预设的预警阈值时，或当所述文本情绪变化幅度大于或等于所述预设的预警阈值时，即检测到用户发生较大的情绪波动，需要采取相应措施。
本发明实施例中，所述预设的情绪波动干预机制可以是连接人工服务，由人工客服介入或者调用预设的话术，缓解用户情绪。
本发明申请通过在人机交互过程中，每次提取用户的第i条用户语音及第i+1条用户语音的语音情绪特征及文本情绪特征，利用所述语音情绪特征及所述文本情绪特征，计算所述第i条用户语音及所述第i+1条用户语音之间相应的语音情绪变化幅度及文本情绪变化幅度，通过所述变化幅度表现用户情绪的波动情况，当所述语音情绪变化幅度或所述文本情绪变化幅度大于或等于预设的预警阈值时，则触发预设的情绪波动干预机制，从而实现了在人机交互过程中，对用户情绪波动的实时监测。
如图6所示，是本发明一实施例提供的情绪波动检测装置的功能模块图。
本发明所述情绪波动检测装置100可以安装于电子设备中。根据实现的功能，所述情绪波动检测装置100可以包括情绪特征提取模块101、情绪变化幅度计算模块102及情绪波动识别模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述情绪特征提取模块101，用于从人机交互中获取第i条用户语音，其中i＝1、2、3…n，并获取第i+1条用户语音，提取所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征；分别将所述第i条用户语音及所述第i+1条用户语音转换为相应的第一文本及第二文本，提取所述第一文本的文本情绪特征及所述第二文本的文本情绪特征；
所述情绪变化幅度计算模块102，用于利用所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征，计算得到所述第i条用户语音与所述第i+1条用户语音之间的语音情绪变化幅度；利用所述第一文本的文本情绪特征及所述第二文本的文本情绪特征，计算得到所述第一文本与所述第二文本之间的文本情绪变化幅度；
所述情绪波动识别模块103，用于判断所述语音情绪变化幅度及所述文本情绪变化幅度是否都小于预设的预警阈值；若所述语音情绪变化幅度及所述文本情绪变化幅度都小于所述预设的预警阈值，则利用i+1更新所述i，并返回上述的从人机交互中获取第i条用户语音的步骤；若所述语音情绪变化幅度或所述文本情绪变化幅度不小于所述预设的预警阈值时，则触发预设的情绪波动干预机制。详细地，本发明实施例中所述情绪波动检测装置100中的各个模块在使用时采用与上述的图1至图5中所述的情绪波动检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图7所示，是本发明一实施例提供的实现情绪波动检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如情绪波动检测程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如情绪波动检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如情绪波动检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图7示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的情绪波动检测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
从人机交互中获取第i条用户语音，其中i＝1、2、3…n，并获取第i+1条用户语音，提取所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征；
分别将所述第i条用户语音及所述第i+1条用户语音转换为相应的第一文本及第二文本，提取所述第一文本的文本情绪特征及所述第二文本的文本情绪特征；
利用所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征，计算得到所述第i条用户语音与所述第i+1条用户语音之间的语音情绪变化幅度；
利用所述第一文本的文本情绪特征及所述第二文本的文本情绪特征，计算得到所述第一文本与所述第二文本之间的文本情绪变化幅度；
判断所述语音情绪变化幅度及所述文本情绪变化幅度是否都小于预设的预警阈值；
若所述语音情绪变化幅度及所述文本情绪变化幅度都小于所述预设的预警阈值，则利用i+1更新所述i，并返回上述的从人机交互中获取第i条用户语音的步骤；
若所述语音情绪变化幅度或所述文本情绪变化幅度不小于所述预设的预警阈值时，则触发预设的情绪波动干预机制。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
从人机交互中获取第i条用户语音，其中i＝1、2、3…n，并获取第i+1条用户语音，提取所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征；
分别将所述第i条用户语音及所述第i+1条用户语音转换为相应的第一文本及第二文本，提取所述第一文本的文本情绪特征及所述第二文本的文本情绪特征；
利用所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征，计算得到所述第i条用户语音与所述第i+1条用户语音之间的语音情绪变化幅度；
利用所述第一文本的文本情绪特征及所述第二文本的文本情绪特征，计算得到所述第一文本与所述第二文本之间的文本情绪变化幅度；
判断所述语音情绪变化幅度及所述文本情绪变化幅度是否都小于预设的预警阈值；
若所述语音情绪变化幅度及所述文本情绪变化幅度都小于所述预设的预警阈值，则利用i+1更新所述i，并返回上述的从人机交互中获取第i条用户语音的步骤；
若所述语音情绪变化幅度或所述文本情绪变化幅度不小于所述预设的预警阈值时，则触发预设的情绪波动干预机制。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，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者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (8)

1.一种情绪波动检测方法，其特征在于，所述方法包括：
从人机交互中获取第i条用户语音，其中i=1、2、3…n，并获取第i+1条用户语音，提取所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征；
分别将所述第i条用户语音及所述第i+1条用户语音转换为相应的第一文本及第二文本，提取所述第一文本的文本情绪特征及所述第二文本的文本情绪特征；
利用所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征，计算得到所述第i条用户语音与所述第i+1条用户语音之间的语音情绪变化幅度；
利用所述第一文本的文本情绪特征及所述第二文本的文本情绪特征，计算得到所述第一文本与所述第二文本之间的文本情绪变化幅度；
判断所述语音情绪变化幅度及所述文本情绪变化幅度是否都小于预设的预警阈值；
若所述语音情绪变化幅度及所述文本情绪变化幅度都小于所述预设的预警阈值，则利用i+1更新所述i，并返回上述的从人机交互中获取第i条用户语音的步骤；
若所述语音情绪变化幅度或所述文本情绪变化幅度不小于所述预设的预警阈值时，则触发预设的情绪波动干预机制；
其中，所述计算得到所述第i条用户语音与所述第i+1条用户语音之间的语音情绪变化幅度，包括：分别将所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征中每一个特征进行离散化处理；根据所述离散化后的每一个语音情绪特征取值分布情况，计算得到所述第i条用户语音的语音情绪特征均方差及所述第i+1条用户语音的语音情绪特征的均方差；将所述第i条用户语音的语音情绪特征的均方差与所述第i+1条用户语音的语音情绪特征的均方差之间的绝对差值作为所述语音情绪变化幅度；
所述计算得到所述第一文本与所述第二文本之间的文本情绪变化幅度，包括：根据所述第一文本的文本情绪特征，利用预先训练的分类模型对所述第一文本进行情绪分类，得到所述第一文本的分类结果；根据所述第二文本的文本情绪特征，利用所述分类模型对所述第二文本进行情绪分类，得到所述第二文本的分类结果；从预设的情绪状态分值表中，查找所述第一文本的分类结果及所述第二文本的分类结果对应的情绪状态分值，并计算所述第一文本的情绪状态分值与所述第一文本的情绪状态分值之间的文本情绪绝对差值，将所述文本情绪绝对差值作为所述文本情绪变化幅度。
2.如权利要求1所述的情绪波动检测方法，其特征在于，所述提取所述第i条用户语音的语音情绪特征，包括：
对所述第i条用户语音进行分帧加窗，得到多个语音帧，并从所述多个语音帧中逐个选取其中一个语音帧为目标语音帧；
将所述目标语音帧映射为语音时域图，统计所述语音时域图的峰值、幅值、均值和过零率，根据所述幅值计算帧能量，并将所述峰值、所述幅值、所述均值、所述帧能量及所述过零率汇集为所述第i条用户语音的语音情绪特征。
3.如权利要求1所述的情绪波动检测方法，其特征在于，所述提取所述第一文本的文本情绪特征，包括：
对所述第一文本执行分词操作，得到文本分词集；
从所述文本分词集中逐个选取其中一个文本分词为目标分词，并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数；
利用每一个文本分词对应的共现次数构建共现矩阵；
分别将所述多个文本分词转换为词向量，将所述词向量拼接为向量矩阵；
利用所述共现矩阵和所述向量矩阵进行乘积运算，得到文本向量矩阵；
根据所述文本向量矩阵得到所述第一文本的文本情绪特征。
4.如权利要求3所述的情绪波动检测方法，其特征在于，所述根据所述文本向量矩阵得到所述第一文本的文本情绪特征，包括：
从所述文本分词集中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量及所述文本向量矩阵，计算所述目标分词的关键值；
按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词；
将所述特征分词的词向量拼接得到所述文本内容的文本特征。
5.如权利要求1至4中任一项所述的情绪波动检测方法，其特征在于，所述判断所述语音情绪变化幅度及所述文本情绪变化幅度是否都小于预设的预警阈值，包括：
利用预设的调整系数与所述语音情绪变化幅度进行乘积运算，得到调整后的语音情绪变化幅度；
比较所述调整后的所述语音情绪变化幅度与预设的预警阈值之间的大小关系及比较所述文本情绪变化幅度与预设的预警阈值之间的大小关系。
6.一种情绪波动检测装置，用于实现如权利要求1至5中任意一项所述的情绪波动检测方法，其特征在于，所述装置包括：
情绪特征提取模块，用于从人机交互中获取第i条用户语音，其中i=1、2、3…n，并获取第i+1条用户语音，提取所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征；分别将所述第i条用户语音及所述第i+1条用户语音转换为相应的第一文本及第二文本，提取所述第一文本的文本情绪特征及所述第二文本的文本情绪特征；
情绪变化幅度计算模块，用于利用所述第i条用户语音的语音情绪特征及所述第i+1条用户语音的语音情绪特征，计算得到所述第i条用户语音与所述第i+1条用户语音之间的语音情绪变化幅度；利用所述第一文本的文本情绪特征及所述第二文本的文本情绪特征，计算得到所述第一文本与所述第二文本之间的文本情绪变化幅度；
情绪波动识别模块，用于判断所述语音情绪变化幅度及所述文本情绪变化幅度是否都小于预设的预警阈值；若所述语音情绪变化幅度及所述文本情绪变化幅度都小于所述预设的预警阈值，则利用i+1更新所述i，并返回上述的从人机交互中获取第i条用户语音的步骤；若所述语音情绪变化幅度或所述文本情绪变化幅度不小于所述预设的预警阈值时，则触发预设的情绪波动干预机制。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的情绪波动检测方法。
8.一种计算机可读存储介质，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5中任意一项所述的情绪波动检测方法。
CN202111011083.0A 2021-08-31 2021-08-31 情绪波动检测方法、装置、电子设备及存储介质 Active CN113704410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111011083.0A CN113704410B (zh) 2021-08-31 2021-08-31 情绪波动检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111011083.0A CN113704410B (zh) 2021-08-31 2021-08-31 情绪波动检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113704410A CN113704410A (zh) 2021-11-26
CN113704410B true CN113704410B (zh) 2023-10-20

Family

ID=78657886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111011083.0A Active CN113704410B (zh) 2021-08-31 2021-08-31 情绪波动检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113704410B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116509393A (zh) * 2023-04-11 2023-08-01 中国第一汽车股份有限公司 一种基于车辆设备状态和用户驾驶行为的情绪预测方法
CN116139404B (zh) * 2023-04-23 2023-07-28 苏州维伟思医疗科技有限公司 一种基于情绪识别的wcd控制方法及相关装置
CN116578691A (zh) * 2023-07-13 2023-08-11 江西合一云数据科技股份有限公司 一种智能养老机器人对话方法及其对话系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648691A (zh) * 2019-09-30 2020-01-03 北京淇瑀信息科技有限公司 基于语音的能量值的情绪识别方法、装置和系统
CN111402930A (zh) * 2020-04-18 2020-07-10 徐琼琼 一种基于语音识别的音频数据处理方法
CN112750465A (zh) * 2020-12-29 2021-05-04 昆山杜克大学 一种云端语言能力评测系统及可穿戴录音终端

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648691A (zh) * 2019-09-30 2020-01-03 北京淇瑀信息科技有限公司 基于语音的能量值的情绪识别方法、装置和系统
CN111402930A (zh) * 2020-04-18 2020-07-10 徐琼琼 一种基于语音识别的音频数据处理方法
CN112750465A (zh) * 2020-12-29 2021-05-04 昆山杜克大学 一种云端语言能力评测系统及可穿戴录音终端

Also Published As

Publication number Publication date
CN113704410A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN113704410B (zh) 情绪波动检测方法、装置、电子设备及存储介质
CN112863683B (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
CN113378970B (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN113420556B (zh) 基于多模态信号的情感识别方法、装置、设备及存储介质
CN113807103B (zh) 基于人工智能的招聘方法、装置、设备及存储介质
CN114398557B (zh) 基于双画像的信息推荐方法、装置、电子设备及存储介质
CN115454706A (zh) 一种系统异常确定方法、装置、电子设备及存储介质
CN116681082A (zh) 离散文本语义分段方法、装置、设备及存储介质
CN115687934A (zh) 意图识别方法、装置、计算机设备及存储介质
CN114398466A (zh) 基于语义识别的投诉分析方法、装置、计算机设备及介质
CN116701574A (zh) 文本语义相似度计算方法、装置、设备及存储介质
CN116719683A (zh) 异常检测方法、异常检测装置、电子设备及存储介质
CN116401602A (zh) 事件检测方法、装置、设备及计算机可读介质
CN113469237B (zh) 用户意图识别方法、装置、电子设备及存储介质
CN113808616A (zh) 语音合规检测方法、装置、设备及存储介质
CN113628043B (zh) 基于数据分类的投诉有效性判断方法、装置、设备及介质
CN114462411B (zh) 命名实体识别方法、装置、设备及存储介质
CN111680513B (zh) 特征信息的识别方法、装置及计算机可读存储介质
CN113706207B (zh) 基于语义解析的订单成交率分析方法、装置、设备及介质
CN114781833B (zh) 基于业务人员的能力测评方法、装置、设备及存储介质
CN116431811A (zh) 基于隐因子注意力机制意图识别方法、装置、设备及介质
CN116414986A (zh) 序列标注方法、装置、电子设备及计算机可读存储介质
CN115859998A (zh) 问题数据的处理方法、装置、计算机设备及存储介质
CN116701635A (zh) 培训视频文本二分类方法、装置、设备及存储介质
CN116701594A (zh) 随机采样的对话文本生成训练方法、装置及计算机介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230918

Address after: Room 1502, 13th floor, No. 52 North Fourth Ring West Road, Haidian District, Beijing, 100080

Applicant after: Good Feeling Health Industry Group Co.,Ltd.

Address before: Room 528, 5th Floor, Building D, Building 33, No. 99 Kechuang 14th Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing, 100176 (Yizhuang Cluster, High end Industrial Zone, Beijing Pilot Free Trade Zone)

Applicant before: Beijing Peihong Wangzhi Technology Co.,Ltd.

Effective date of registration: 20230918

Address after: Room 528, 5th Floor, Building D, Building 33, No. 99 Kechuang 14th Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing, 100176 (Yizhuang Cluster, High end Industrial Zone, Beijing Pilot Free Trade Zone)

Applicant after: Beijing Peihong Wangzhi Technology Co.,Ltd.

Address before: 518000 Room 202, block B, aerospace micromotor building, No.7, Langshan No.2 Road, Xili street, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen LIAN intellectual property service center

Effective date of registration: 20230918

Address after: 518000 Room 202, block B, aerospace micromotor building, No.7, Langshan No.2 Road, Xili street, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen LIAN intellectual property service center

Address before: 518000 Room 201, building A, 1 front Bay Road, Shenzhen Qianhai cooperation zone, Shenzhen, Guangdong

Applicant before: PING AN PUHUI ENTERPRISE MANAGEMENT Co.,Ltd.

GR01 Patent grant
GR01 Patent grant