CN113705206B - 情感预测模型的训练方法、装置、设备及存储介质 - Google Patents

Abstract

本公开公开了一种情感预测模型的训练方法、装置、设备及存储介质，涉及深度学习、语音技术等人工智能技术领域，实现方案为：获取标注数据集；将标注数据集中同一文本内容对应的标注情感标签进行融合，以确定文本内容对应的标注情感标签分布；将文本内容输入初始预测模型，以获取初始预测模型输出的预测情感标签分布；基于文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对初始预测模型进行修正，以生成情感预测模型。由此，通过利用包含文本内容及其对应的情感标签分布的数据集，训练情感预测模型，从而可以生成用于预测文本内容对应的情感分布的模型，为更准确的生成文本内容对应的音频数据提供了条件。

Description

情感预测模型的训练方法、装置、设备及存储介质

技术领域

本公开涉及计算机技术领域，更具体的，涉及深度学习、语音技术等人工智能技术领域，尤其涉及一种情感预测模型的训练方法、装置、设备及存储介质。

背景技术

随着计算机技术和通信技术的发展，有声读物变得越来越普及，该产品的性能十分依赖情感自动标注，即标注出读物中每句文本的情感风格。因此，如何准确的对读物中的文本内容进行情感标注，成为目前亟需解决的问题。

发明内容

本公开提供了一种用于情感预测模型的训练的方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种情感预测模型的训练方法，包括：

获取标注数据集，其中，所述标注数据集中包括多个文本内容及文本内容对应的标注情感标签；

将所述标注数据集中同一文本内容对应的标注情感标签进行融合，以确定文本内容对应的标注情感标签分布；

将所述文本内容输入初始预测模型，以获取所述初始预测模型输出的预测情感标签分布；

基于所述文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正，以生成情感预测模型。

根据本公开的另一方面，提供了一种情感预测模型的训练装置，包括：

第一获取模块，用于获取标注数据集，其中，所述标注数据集中包括多个文本内容及文本内容对应的标注情感标签；

确定模块，用于将所述标注数据集中同一文本内容对应的标注情感标签进行融合，以确定文本内容对应的标注情感标签分布；

第二获取模块，用于将所述文本内容输入初始预测模型，以获取所述初始预测模型输出的预测情感标签分布；

修正模块，用于基于所述文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正，以生成情感预测模型。

本公开第三方面实施例提出了一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本申请第一方面实施例提出的方法。

本公开第四方面实施例提出了一种非临时性计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如本申请第一方面实施例提出的方法。

本公开第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行本公开第一方面实施例提出的方法。

本公开实施例中，首先获取标注数据集，其中，标注数据集中包括文本内容及每个文本内容对应的标注情感标签，然后将标注数据集中同一文本内容对应的标注情感标签进行融合，以确定文本内容对应的标注情感标签分布，之后将文本内容输入初始预测模型，以获取初始预测模型输出的预测情感标签分布，最后基于文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对初始预测模型进行修正，以生成情感预测模型。由此，通过利用包含文本内容及其对应的情感标签分布的数据集，训练情感预测模型，从而可以生成用于预测文本内容对应的情感分布的模型，为更准确的生成文本内容对应的音频数据提供了条件。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开一实施例所提供的情感预测模型的训练方法的流程示意图；

图2为本公开又一实施例所提供的情感预测模型的训练方法的流程示意图；

图3为本公开又一实施例所提供的情感预测模型的训练及使用过程示意图；

图4为本公开一实施例所提供的情感预测模型的训练装置的结构框图；

图5是用来实现本公开实施例的情感预测模型的训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开实施例涉及深度学习、语音技术、人工智能技术领域。

其中，深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

语音技术是指在计算机领域中的关键技术有自动语音识别技术和语音合成技术。让计算机能听、能看、能说、能感觉，是未来人机交互的发展方向，其中语音成为未来最被看好的人机交互方式，语音比其他的交互方式有更多的优势。让计算机说话需要用到语音合成技术，其核心是文语转换技术，语音合成甚至已经应用到汽车的信息系统上，车主可以将下载到系统电脑中的文本文件、电子邮件、网络新闻或小说，转换成语音在车内收听。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

本公开提供的一种情感预测模型的训练方法，该方法可以由本公开提供的一种情感预测模型的训练装置执行，也可以由本公开提供的电子设备执行，其中，电子设备可以包括但不限于手机、台式电脑、平板电脑等终端设备，下面以由本公开提供的情感预测模型的训练装置来执行本公开提供的一种情感预测模型的训练方法，而不作为对本公开的限定，以下简称为“装置”。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

下面结合参考附图对本公开提供的情感预测模型的训练方法、装置、计算机设备及存储介质进行详细描述。

图1是根据本公开一实施例的一种情感预测模型的训练方法的流程示意图。

如图1所示，该情感预测模型的训练方法可以包括以下步骤：

步骤101，获取标注数据集，其中，标注数据集中包括多个文本内容及文本内容对应的标注情感标签。

可以理解的是，对于一些文学作品，比如小说和话剧剧本，其对应的文本内容，比如文中的对白，在被读者解读时可能是不尽相同，甚至是截然相反的。也即，文学作品的文本内容往往具有不同的情感表达，也即可以有多种情感风格。因此，本公开提供了一种可以训练预测文本内容对应的情感标签分布的模型的方法，用于对文本内容对应的情感标签分布进行预测。

其中，文本内容可以为任意形式的文学作品的文本内容，比如小说、新闻、剧本、发言稿、诗词等等，在此不进行限定。

其中，每个标注数据中，可以包含与文本内容对应的一个或者多个情感的标注标签。可以理解的是，标注情感标签可以用于表征该文本内容中各个语句蕴含的一种或者多种情感。

其中，标注情感标签的数量和类型，可以根据需要设置，比如伤心、生气、愤怒、惊喜、意外等等。

需要说明的是，标注数据集中可以包含一个文学作品的文本内容，也可以包含有多个文学作品的文本内容，在此不做限定。

步骤102，将标注数据集中同一文本内容对应的标注情感标签进行融合，以确定文本内容对应的标注情感标签分布。

其中，标注情感标签分布可以为一种概率分布，通过用标注情感标签分布中的各个概率，来表征各个情感的强弱程度。

需要说明的是，对于同一文本内容，可能蕴含有不同的情感，本公开中，可以将同一文本内容对应的各个标注情感标签进行融合，比如统计同一文本内容对应的相同标注情感标签，从而可以确定各个标注情感标签的得分，之后可以同一文本内容对应的多种标注情感标签的得分进行归一化，以确定同一文本内容对应的标注情感标签分布。

步骤103，将文本内容输入初始预测模型，以获取初始预测模型输出的预测情感标签分布。

其中，初始预测模型可以为任一预先构建的预测模型。

其中，预测情感标签分布，可以为预测得到的各个标注情感标签的概率值分布情况。具体的，初始预测模型可以用于对输入的文本内容进行处理，以输出该文本内容对应的情感标签分布。

步骤104，基于文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对初始预测模型进行修正，以生成情感预测模型。

其中，第一差异可以为标注情感标签分布与预测情感标签分布之间的分布差异，第一差异越大，则标注情感标签分布与预测情感标签分布之间的差异程度越高。

具体的，本公开可以基于当前的标注情感标签分布和预测情感标签分布计算损失值，进而可以根据该损失值并通过梯度下降的方式对当前的初始预测模型进行修正，进而生成情感预测模型。

作为一种可能实现的方式，在生成了情感预测模型之后，可以根据该情感预测模型对任一文本内容进行预测，从而可以获得该文本内容对应的情感标签分布，之后，即可基于文本内容对应的情感标签分布，合成情感更丰富、更准确的语音内容。

本公开实施例中，首先获取标注数据集，其中，标注数据集中包括多个文本内容及文本内容对应的标注情感标签，然后将标注数据集中同一文本内容对应的标注情感标签进行融合，以确定文本内容对应的标注情感标签分布，之后将文本内容输入初始预测模型，以获取初始预测模型输出的预测情感标签分布，最后基于文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对初始预测模型进行修正，以生成情感预测模型。由此，通过利用包含文本内容及其对应的情感标签分布的数据集，训练情感预测模型，从而可以生成用于预测文本内容对应的情感分布的模型，为更准确的生成文本内容对应的音频数据提供了条件。

图2是根据本公开又一实施例的一种情感预测模型的训练方法的流程示意图。

如图2所示，该情感预测模型的训练方法可以包括以下步骤：

步骤201，获取标注数据集，其中，标注数据集中包括多个文本内容及文本内容对应的标注情感标签。

需要说明的是，步骤201的具体实现方式可以参照上述实施例，在此不进行赘述。

步骤202，根据标注数据集中同一文本内容对应的每种标注情感标签的数量，确定同一文本内容对应的每种标注情感标签的得分。

可以理解的是，若当前任一标注情感标签的数量较多，则说明当前该标注情感类型标签对应的情感可以较好的表征当前文本内容所蕴含的情感。因而，本公开可以将每种标注情感标签的数量作为当前该标注情感标签的得分，也即该数量与得分成正比关系。

举例来说，若当前的文本内容为“他马上就来了”，在标注数据集中该文本内容对应的标注情感标签的数量为8个。其中，有3个标注情感标签为“欣喜”，有4个标注情感标签为“紧张”，有1个标注情感标签为“烦恼”，因而可以将“欣喜”、“紧张”和“烦恼”对应的标注情感标签的得分可以分别为3分，4分和1分。

需要说明的是，上述举例仅为本公开的一种示意性说明，本公开在此不进行限定。

步骤203，将同一文本内容对应的多种标注情感标签的得分进行归一化，以确定同一文本内容对应的标注情感标签分布，其中，标注情感标签分布中的各种标注情感标签对应的得分和为一。

具体的，可以将各个标注情感标签的得分除以各个得分之和，从而可以确定各个标注情感标签的得分进行归一化，以确定标注情感标签分布。可以理解的是，标注情感标签分布可以为一种概率分布，通过用标注情感标签分布中的各个概率，可以代表各个情感的强弱程度。

需要说明的是，通过将同一文本内容对应的多种标注情感标签的得分进行归一化，可以得到该文本内容对应的标注情感标签分布，在上述步骤中的示例中，文本内容“他马上就来了”对应的标注情感标签“欣喜”、“紧张”和“烦恼”分别为3分，4分和1分，且情感标签的类型一共有3种。则通过将该得分进行归一化，可以得到该文本内容对应的标注情感标签分布为[0.375、0.5、0.125]，且0.375+0.5+0.125＝1。

可以理解的是，若情感标签的类型一共有5种，则归一化后的标签分布可能为[0.375、0.5、0.125、0、0]等等，本公开对此不做限定。

需要说明的是，上述举例仅为本公开的一种示意性说明，本公开在此不进行限定。

步骤204，将文本内容输入初始预测模型，以获取初始预测模型输出的预测情感标签分布。

需要说明的是，步骤204的具体实现方式可以参照上述实施例，在此不进行赘述。

步骤205，根据文本内容对应的标注情感标签分布，确定文本内容对应的参考情感标签。

其中，参考情感标签可以用于近似的表征当前文本内容蕴含的主要的情感类型，可以作为一种可能性较高的参考。

可选的，可以将文本内容对应的标注情感标签分布中标注次数最大的情感标签，确定为文本内容对应的参考情感标签。

举例来说，当前的文本内容为“你看到了吗”，在标注数据集里对该文本内容的标注中，有5个情感标签为“疑问”，有3个情感标签为“愤怒”，有1个情感标签为“震惊”，由于“疑问”对应的标注次数最多，因而本公开中，可以将“疑问”确定为该文本内容对应的参考情感标签。

或者，还可以在任一文本内容对应的标注情感标签分布中标注次数最大的情感标签为至少两个的情况下，将至少两个情感标签中在标注数据集中出现次数最多的一个，确定为任一文本内容对应的参考情感标签。

需要说明的是，若当前任一文本内容的标注情感标签分布中，有两个或者多个情感标签的标注次数一样，且均为最大值，则可以在当前的标注数据集中查找该标注次数最大的情感标签的数量，进而可以将在标注数据集中出现次数最多的情感标签作为参考情感标签。

举例来说，若当前文本内容为“某某夺冠了”，而当前对该文本内容的情感标签“开心”和“自豪”的标注次数相同，且均为最大值，而“开心”这一情感标签在标注数据集中出现的次数最多，因而可以将“开心”作为参考情感标签。

需要说明的是，上述举例仅为本公开的示意性解释说明，对本公开不构成限定。

步骤206，根据文本内容对应的预测情感标签分布，确定文本内容对应的预测情感标签。

可选的，可以将文本内容对应的预测情感标签分布中概率值最大的情感标签，确定为文本内容对应的预测情感标签。举例来说，若当前任一文本内容“XX”，对应的预测情感标签分布为[0.6、0.14、0.26]，因而可以将概率为0.6对应的情感标签作为预测情感标签，在此不进行限定。

步骤207，根据文本内容对应的参考情感标签与预测情感标签间的第二差异、及对应的标注情感标签分布与预测情感标签分布间的第一差异，对初始预测模型进行修正。

其中，第一差异可以为标注情感标签分布与预测情感标签分布之间的分布差异，第一差异越大，则标注情感标签分布与预测情感标签分布之间的差异程度越高。

其中，第二差异可以为参考情感标签和预测情感标签之间的差异程度，第二差异越大，则参考情感标签和预测情感标签之间的差异程度越高。

本公开中，为了避免出现极端的预测错误，在模型训练过程中，通过将概率得分最高的情感标签作为参考情感标签，用于辅助模型优化，从而保证训练生成的模型，即可以准确的预测出文本的情感标签分布，又能保证该情感标签分布中的情感标签类型准确、可靠。

可选的，可以首先根据文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，确定第一修正梯度，然后根据文本内容对应的参考情感标签与预测情感标签间的第二差异，确定第二修正梯度，之后基于第一修正梯度及第二修正梯度，对初始预测模型进行修正。

具体的，该装置可以根据标注情感标签分布与预测情感标签分布，计算出交叉熵损失函数，进而根据该交叉熵损失函数确定第一修正梯度，相同的，可以根据参考情感标签和预测情感标签计算出交叉熵损失函数，进而根据该交叉熵损失函数确定第二修正梯度。

需要说明的是，标注情感标签分布与预测情感标签分布间的差异越大，第一修正梯度越大，也即第一差异越大，则第一修正梯度越大。参考情感标签和预测情感标签间的差异越大，第二修正梯度越大，也即第二差异越大，则第二修正梯度越大。

作为一种可能实现的方式，可以将第一修正梯度和第二修正梯度进行直接相加，之后根据相加后的梯度对初始预测模型进行修正，或者，还可以将第一修正梯度和第二修正梯度进行加权求和，进而根据加权求和后的梯度对初始预测模型进行修正，在此不进行限定。

或者，还可以根据每个文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对初始预测模型进行修正，以获取各个修正后的第一模型参数，之后根据每个文本内容对应的参考情感标签与预测情感标签间的第二差异，对初始预测模型进行修正，以获取各个修正后的第二模型参数，最后将各个修正后的第一模型参数及第二模型参数进行融合，以确定修正后的模型参数。

可以理解的是，可以在分别确定了第一差异和第二差异之后，分别根据第一差异和第二差异对初始预测模型进行修正。可以理解的是，第一模型参数可以为对初始预测模型进行第一次修正所获得的模型参数，第二模型参数可以为对初始预测模型进行第二次修正所获得的模型参数。通过将第一模型参数和第二模型参数进行融合，可以得到更准确的模型参数，从而使得生成的情感预测模型准确率更高。

本公开实施例中，首先获取标注数据集，然后根据标注数据集中同一文本内容对应的每种标注情感标签的数量，确定同一文本内容对应的每种标注情感标签的得分，之后将同一文本内容对应的多种标注情感标签的得分进行归一化，以确定同一文本内容对应的标注情感标签分布并将每个文本内容输入初始预测模型，以获取初始预测模型输出的预测情感标签分布，根据每个文本内容对应的标注情感标签分布，然后确定每个文本内容对应的参考情感标签，根据每个文本内容对应的预测情感标签分布，确定每个文本内容对应的预测情感标签，最后根据每个文本内容对应的参考情感标签与预测情感标签间的第二差异、及对应的标注情感标签分布与预测情感标签分布间的第一差异，对初始预测模型进行修正。由此，通过利用包含文本内容及其对应的情感标签分布的数据集，训练情感预测模型，并根据每个文本内容对应的参考情感标签与预测情感标签间的第二差异、及对应的标注情感标签分布与预测情感标签分布间的第一差异，对初始预测模型进行修正，使得生成的情感预测模型的情感标注准确率更高。

下面结合图3，对本公开中的情感预测模型的训练及使用过程进行说明。图3为本公开又一实施例所提供的情感预测模型的训练及使用过程示意图。

如图3所示，在模型训练之前，可以首先获取训练数据，即进行数据标注。比如，对于同一文本内容，可能获取到了N个标注结果，也即标注情感标签，此时，即可将同一文本内容对应的多种标注情感标签的得分进行归一化，比如可以确定任一文本内容对应的最终的情感分布标注结果，也即标注情感标签分布为：[0.85、0.00、0.01、0.00、0.03、0.00、0.00、0.11]。

之后即可进行模型训练。通过将数据标注阶段生成的标注文本内容输入情感模型，也即初始预测模型。比如，任一标注文本内容输入情感模型后，可以获得预测情感分布预测结果为：[0.90、0.00、0.02、0.00、0.01、0.00、0.00、0.07]。

然后，就可以根据情感分布预测结果，确定情感分布标签和情感分类标签。比如，任一标注文本内容对应的情感分布标签为：[0.85、0.00、0.01、0.00、0.03、0.00、0.00、0.11]，情感分类标签为[1、0、0、0.00、0、0、0、0]。之后根据情感分布标签与标注情感标签，确定分布损失函数，并根据情感分类标签与标注情感标签，确定分类损失函数。最后，再根据分布损失函数及分类损失函数，对初始预测模型进行修正，以生成最终的情感预测模型。

最后，即可利用训练生成的情感预测模型，对文本内容进行情感标注。即内容生产阶段，可以输入文本内容，比如小说，之后通过情感预测模型输出模型预测小说中各个文本的情感分布，即输出已标注了情感分布的小说。

为了实现上述实施例，本公开还提出一种情感预测模型的训练装置。

图4为本公开实施例所提供的一种情感预测模型的训练装置的结构示意图。

如图4所示，该情感预测模型的训练装置400，包括：

第一获取模块410，用于获取标注数据集，其中，所述标注数据集中包括多个文本内容及文本内容对应的标注情感标签；

确定模块420，用于将所述标注数据集中同一文本内容对应的标注情感标签进行融合，以确定文本内容对应的标注情感标签分布；

第二获取模块430，用于将所述文本内容输入初始预测模型，以获取所述初始预测模型输出的预测情感标签分布；

修正模块440，用于基于所述文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正，以生成情感预测模型。

可选的，所述确定模块，具体用于：

根据所述标注数据集中同一文本内容对应的每种标注情感标签的数量，确定所述同一文本内容对应的每种标注情感标签的得分；

将所述同一文本内容对应的多种标注情感标签的得分进行归一化，以确定所述同一文本内容对应的标注情感标签分布，其中，所述标注情感标签分布中的各种情感标签对应的得分和为一。

可选的，所述修正模块，包括：

第一确定单元，用于根据所述文本内容对应的标注情感标签分布，确定所述文本内容对应的参考情感标签；

第二确定单元，用于根据所述文本内容对应的预测情感标签分布，确定所述文本内容对应的预测情感标签；

修正单元，用于根据所述文本内容对应的参考情感标签与预测情感标签间的第二差异、及对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正。

可选的，所述标注情感标签分布中包括各个情感标签对应的标注次数，所述第一确定单元，具体用于：

将所述文本内容对应的标注情感标签分布中标注次数最大的情感标签，确定为所述文本内容对应的参考情感标签；

或者，

在任一文本内容对应的标注情感标签分布中标注次数最大的情感标签为至少两个的情况下，将所述至少两个情感标签中在所述标注数据集中出现次数最多的一个，确定为所述任一文本内容对应的参考情感标签。

可选的，所述修正单元，具体用于：

根据所述文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，确定第一修正梯度；

根据所述文本内容对应的参考情感标签与预测情感标签间的第二差异，确定第二修正梯度；

基于所述第一修正梯度及所述第二修正梯度，对所述初始预测模型进行修正。

可选的，所述修正单元，具体用于：

根据所述文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正，以获取各个修正后的第一模型参数；

根据所述文本内容对应的参考情感标签与预测情感标签间的第二差异，对所述初始预测模型进行修正，以获取各个修正后的第二模型参数；

将所述各个修正后的第一模型参数及第二模型参数进行融合，以确定修正后的模型参数。

本公开实施例中，首先获取标注数据集，其中，标注数据集中包括多个文本内容及文本内容对应的标注情感标签，然后将标注数据集中同一文本内容对应的标注情感标签进行融合，以确定文本内容对应的标注情感标签分布，之后将文本内容输入初始预测模型，以获取初始预测模型输出的预测情感标签分布，最后基于文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对初始预测模型进行修正，以生成情感预测模型。由此，通过利用包含文本内容及其对应的情感标签分布的数据集，训练情感预测模型，从而可以生成用于预测文本内容对应的情感分布的模型，为更准确的生成文本内容对应的音频数据提供了条件。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线505。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如情感预测模型的训练方法。例如，在一些实施例中，情感预测模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的情感预测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行情感预测模型的训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

本公开实施例中，首先获取标注数据集，其中，标注数据集中包括多个文本内容及文本内容对应的标注情感标签，然后将标注数据集中同一文本内容对应的标注情感标签进行融合，以确定文本内容对应的标注情感标签分布，之后将文本内容输入初始预测模型，以获取初始预测模型输出的预测情感标签分布，最后基于文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对初始预测模型进行修正，以生成情感预测模型。由此，通过利用包含文本内容及其对应的情感标签分布的数据集，训练情感预测模型，从而可以生成用于预测文本内容对应的情感分布的模型，为更准确的生成文本内容对应的音频数据提供了条件。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (8)

1.一种情感预测模型的训练方法，包括：

获取标注数据集，其中，所述标注数据集中包括多个文本内容及所述文本内容对应的标注情感标签，其中，标注情感标签包括情感类型和情感数量；

将所述标注数据集中同一文本内容对应的标注情感标签进行融合，以确定所述文本内容对应的标注情感标签分布，标注情感标签分布为一种概率分布，表征各个情感的强弱程度；

将所述文本内容输入初始预测模型，以获取所述初始预测模型输出的预测情感标签分布；

基于所述文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正，以生成情感预测模型；所述对所述初始预测模型进行修正，包括：

根据所述文本内容对应的标注情感标签分布，确定所述文本内容对应的参考情感标签；

根据所述文本内容对应的预测情感标签分布，确定所述文本内容对应的预测情感标签；

根据所述文本内容对应的参考情感标签与预测情感标签间的第二差异、及对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正；

其中，所述将所述标注数据集中同一文本内容对应的标注情感标签进行融合，以确定所述文本内容对应的标注情感标签分布，包括：

根据所述标注数据集中同一文本内容对应的每种标注情感标签的数量，确定所述同一文本内容对应的每种标注情感标签的得分；

将所述同一文本内容对应的多种标注情感标签的得分进行归一化，以确定所述同一文本内容对应的标注情感标签分布，其中，所述标注情感标签分布中的各种情感标签对应的得分和为一；

所述标注情感标签分布中包括各个情感标签对应的标注次数，所述根据所述文本内容对应的标注情感标签分布，确定所述文本内容对应的参考情感标签，包括：

将所述文本内容对应的标注情感标签分布中标注次数最大的情感标签，确定为所述文本内容对应的参考情感标签；

或者，

在任一文本内容对应的标注情感标签分布中标注次数最大的情感标签为至少两个的情况下，将所述至少两个情感标签中在所述标注数据集中出现次数最多的一个，确定为所述任一文本内容对应的参考情感标签。

2.如权利要求1所述的方法，其中，所述根据所述文本内容对应的参考情感标签与预测情感标签间的第二差异、及对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正，包括：

根据所述文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，确定第一修正梯度；

根据所述文本内容对应的参考情感标签与预测情感标签间的第二差异，确定第二修正梯度；

基于所述第一修正梯度及所述第二修正梯度，对所述初始预测模型进行修正。

3.如权利要求1所述的方法，其中，所述根据所述文本内容对应的参考情感标签与预测情感标签间的第二差异、及对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正，包括：

根据所述文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正，以获取各个修正后的第一模型参数；

根据所述文本内容对应的参考情感标签与预测情感标签间的第二差异，对所述初始预测模型进行修正，以获取各个修正后的第二模型参数；

将所述各个修正后的第一模型参数及第二模型参数进行融合，以确定修正后的模型参数。

4.一种情感预测模型的训练装置，包括：

第一获取模块，用于获取标注数据集，其中，所述标注数据集中包括多个文本内容及所述文本内容对应的标注情感标签，其中，标注情感标签包括情感类型和情感数量；

确定模块，用于将所述标注数据集中同一文本内容对应的标注情感标签进行融合，以确定所述文本内容对应的标注情感标签分布，标注情感标签分布为一种概率分布，表征各个情感的强弱程度；

第二获取模块，用于将所述文本内容输入初始预测模型，以获取所述初始预测模型输出的预测情感标签分布；

修正模块，用于基于所述文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正，以生成情感预测模型；所述修正模块，包括：

第一确定单元，用于根据所述文本内容对应的标注情感标签分布，确定所述文本内容对应的参考情感标签；

第二确定单元，用于根据所述文本内容对应的预测情感标签分布，确定所述文本内容对应的预测情感标签；

修正单元，用于根据所述文本内容对应的参考情感标签与预测情感标签间的第二差异、及对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正；

所述确定模块，具体用于：

根据所述标注数据集中同一文本内容对应的每种标注情感标签的数量，确定所述同一文本内容对应的每种标注情感标签的得分；

将所述同一文本内容对应的多种标注情感标签的得分进行归一化，以确定所述同一文本内容对应的标注情感标签分布，其中，所述标注情感标签分布中的各种情感标签对应的得分和为一；其中，所述标注情感标签分布中包括各个情感标签对应的标注次数，所述第一确定单元，具体用于：

将所述文本内容对应的标注情感标签分布中标注次数最大的情感标签，确定为所述文本内容对应的参考情感标签；

或者，

在任一文本内容对应的标注情感标签分布中标注次数最大的情感标签为至少两个的情况下，将所述至少两个情感标签中在所述标注数据集中出现次数最多的一个，确定为所述任一文本内容对应的参考情感标签。

5.如权利要求4所述的装置，其中，所述修正单元，具体用于：

根据所述文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，确定第一修正梯度；

根据所述文本内容对应的参考情感标签与预测情感标签间的第二差异，确定第二修正梯度；

基于所述第一修正梯度及所述第二修正梯度，对所述初始预测模型进行修正。

6.如权利要求5所述的装置，其中，所述修正单元，具体用于：

根据所述文本内容对应的标注情感标签分布与预测情感标签分布间的第一差异，对所述初始预测模型进行修正，以获取各个修正后的第一模型参数；

根据所述文本内容对应的参考情感标签与预测情感标签间的第二差异，对所述初始预测模型进行修正，以获取各个修正后的第二模型参数；

将所述各个修正后的第一模型参数及第二模型参数进行融合，以确定修正后的模型参数。

7.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-3中任一所述的方法。

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1-3中任一所述的方法。

Images