CN115827880A

CN115827880A - 一种基于情感分类的业务执行方法及装置

Info

Publication number: CN115827880A
Application number: CN202310126790.7A
Authority: CN
Inventors: 李太豪; 程翠萍; 张晓宁
Original assignee: Zhejiang Lab
Current assignee: Zhejiang Lab
Priority date: 2023-02-10
Filing date: 2023-02-10
Publication date: 2023-03-21
Anticipated expiration: 2043-02-10
Also published as: CN115827880B

Abstract

本说明书公开一种基于情感分类的业务执行方法及装置，获取待识别文本，而后，可以通过预先训练的各识别模型，对待识别文本进行情感分类，得到每个识别模型输出的分类结果，并针对每个识别模型，确定该识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度，作为该识别模型对应的冲突度量。进而根据各识别模型对应的冲突度量以及待确定的各识别模型对应的权重项，构建非线性函数，最后以非线性函数满足预设条件为优化目标，确定各识别模型对应的权重，并根据各识别模型对应的权重以及各识别模型对应的分类结果，确定综合分类结果，以及根据综合分类结果，进行业务执行，从而提高了情感分类的准确率。

Description

一种基于情感分类的业务执行方法及装置

技术领域

本说明书涉及神经网络领域，尤其涉及一种基于情感分类的业务执行方法及装置。

背景技术

当前，情感识别领域在文本识别中占据一定的地位，并且，情感识别可以应用在大量的业务场景中，如信息推荐、心理治疗等。

在现有技术中，可以通过神经网络模型对文本进行情感分类，通常可以使用训练出的单个神经网络模型来进行情感识别，但是这种方式可能会存在一定的不准确性。

所以，如何提高情感识别的准确性，则是一个亟待解决的问题。

发明内容

本说明书提供一种基于情感分类的业务执行方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种基于情感分类的业务执行的方法，包括：

获取待识别文本；

通过预先训练的各识别模型，对所述待识别文本进行情感分类，得到每个识别模型输出的分类结果；

针对每个识别模型，确定该识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度，作为该识别模型对应的冲突度量；

根据所述各识别模型对应的冲突度量，构建包含有待确定的各识别模型对应的权重项的非线性函数；

以所述非线性函数满足预设条件为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重；

根据所述各识别模型对应的权重以及所述各识别模型对应的分类结果，确定综合分类结果，并根据所述综合分类结果，进行业务执行。

可选地，在所述非线性函数中，针对每个识别模型，该识别模型对应的权重与该识别模型对应的冲突度量呈负相关关系。

可选地，以所述非线性函数满足预设条件为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重，具体包括：

以所述非线性函数的函数值最小化为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重。

可选地，根据所述各识别模型对应的冲突度量，构建包含有待确定的各识别模型对应的权重项的非线性函数，具体包括：

针对每个识别模型，根据该识别模型对应的冲突度量以及该识别模型对应的权重项的m次幂，构建该识别模型对应的目标函数，m>1；

根据各识别模型对应的目标函数，构建所述非线性函数。

确定历史上根据所述各识别模型对历史文本进行情感分类的分类结果；

若确定所述历史文本的分类结果满足设定条件，以所述非线性函数的函数值最大化为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重。

可选地，以所述非线性函数满足预设条件为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重之前，所述方法还包括：

根据待确定的所述各识别模型对应的权重项，构建约束函数，所述约束函数用于约束所述各识别模型对应的权重的和值为1；

以所述非线性函数满足预设条件为优化目标，确定所述各识别模型对应的权重，具体包括：

以所述非线性函数满足预设条件以及满足所述约束函数为优化目标，确定所述各识别模型对应的权重。

可选地，确定该识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度，具体包括：

针对每个其他识别模型，确定该其他识别模型输出的分类结果与该识别模型输出的分类结果之间的证据距离Jousselme Distance；

根据各其他识别模型输出的分类结果与该识别模型输出的分类结果之间的证据距离，确定该识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度。

可选地，根据所述各识别模型对应的权重以及所述各识别模型对应的分类结果，确定综合分类结果，具体包括：

根据所述各识别模型对应的权重，对所述各识别模型对应的分类结果进行加权求和，得到加权求和后的分类结果；

根据所述加权求和后的分类结果，确定所述综合分类结果。

可选地，针对每个识别模型，该识别模型输出的分类结果为该识别模型输出的所述待识别文本在各情感类别下的概率。

可选地，所述各识别模型是通过不同神经网络构建得到的。

本说明书提供了一种基于情感分类的业务执行装置，包括：

获取模块，用于获取待识别文本；

分类模块，用于通过预先训练的各识别模型，对所述待识别文本进行情感分类，得到每个识别模型输出的分类结果；

差异确定模块，用于针对每个识别模型，确定该识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度，作为该识别模型对应的冲突度量；

构建模块，用于根据所述各识别模型对应的冲突度量，构建包含有待确定的各识别模型对应的权重项的非线性函数；

权重确定模块，用于以所述非线性函数满足预设条件为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重；

执行模块，用于根据所述各识别模型对应的权重以及所述各识别模型对应的分类结果，确定综合分类结果，并根据所述综合分类结果，进行业务执行。

可选地，所述构建模块还用于，根据所述各识别模型对应的权重，构建约束函数，所述约束函数用于约束所述各识别模型对应的权重的和值为1；

所述权重确定模块具体用于，以最小化所述非线性函数以及满足所述约束函数为优化目标，确定所述各识别模型对应的权重。

可选地，所述构建模块具体用于，所述权重确定模块具体用于，以所述非线性函数的函数值最小化为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重。

可选地，所述构建模块还用于，根据所述各识别模型对应的权重，构建约束函数，所述约束函数用于约束所述各识别模型对应的权重的和值为1；所述权重确定模块具体用于，以最小化所述非线性函数以及满足所述约束函数为优化目标，确定所述各识别模型对应的权重。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

从上述基于情感分类的业务执行方法中可以看出，获取待识别文本，而后，可以通过预先训练的各识别模型，对待识别文本进行情感分类，得到每个识别模型输出的分类结果，并针对每个识别模型，确定该识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度，作为该识别模型对应的冲突度量。进而根据各识别模型对应的冲突度量与各识别模型对应的权重，构建非线性函数，最后以非线性函数满足预设条件为优化目标，确定各识别模型对应的权重，并根据各识别模型对应的权重以及各识别模型对应的分类结果，确定综合分类结果，根据综合分类结果，进行业务执行。

从上述内容中可以看出，本说明书提供的基于情感分类的业务执行方法中，可以综合多个识别模型对待识别文本情感分类的分类结果，得到最终的综合识别结果。并且，可以基于每个识别模型的分类结果与其他识别模型的分类结果之间的差异程度，来确定出各识别模型对应的权重，其中可以最小化通过该差异程度构建出的非线性函数来求解出各识别模型对应的权重，从而更加准确地进行情感分类。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书中一种基于情感分类的业务执行方法的流程示意图；

图2为本说明书提供的一种根据非线性函数以及约束函数共同确定各识别模型对应的权重的流程示意图；

图3为本说明书中提供的一种根据各识别模型对应的权重以及各识别模型对应的分类结果确定综合分类结果的流程示意图；

图4为本说明书中一种基于情感分类的业务执行装置示意图；

图5为本说明书提供的对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中一种基于情感分类的业务执行方法的流程示意图，具体包括以下步骤：

S100：获取待识别文本。

S102：通过预先训练的各识别模型，对所述待识别文本进行情感分类，得到每个识别模型输出的分类结果。

在实际应用中，情感分类这一技术在多种业务场景中均存在需求，本说明书提供一种情感分类的方法，服务器可以获取待识别文本，并通过预先训练的各识别模型，对待识别文本进行情感分类，得到每个识别模型输出的分类结果。

也就是说，在本说明书中，可以存在多个识别模型，通过多个识别模型针对同一个待识别文本确定出多种分类结果后，可以综合多个识别模型给出的分类结果，确定该待识别文本最终对应的分类结果。

上述提到的多个识别模型可以是不同神经网络模型，例如，可以预先训练出5个识别模型，分别通过这5个识别模型确定出分类结果，这5个识别模型对应的神经网络算法可以分别为CMP，GoogleNet，ResNet，VGG以及DenseNet。

需要说明的是，上述提到的分类结果可以是指识别模型确定出的待识别文本在各情感类别下的概率，例如，情感类别包括：伤心、开心、兴奋、平静等，则一个识别模型确定出的分类结果可以为：伤心70%、开心10%、兴奋开心10%、平静10%。

S104：针对每个识别模型，确定该识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度，作为该识别模型对应的冲突度量。

确定出各识别模型输出的分类结果后，可以针对每个识别模型，确定该识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度，作为该识别模型对应的冲突度量，并根据各识别模型对应的冲突度量，构建非线性函数，可以看出，识别模型对应的冲突度量为该识别模型与各其他识别模型的分类结果的差异程度，可以理解为该识别模型对应的冲突度量是指该识别模型在全局上与其他识别模型的偏离程度。

也就是说，对于一个识别模型来说，可以确定出该识别模型与其他识别模型分类结果之间的差异程度，然后可以通过确定出的这些差异程度，来确定出每个识别模型对应的权重。

具体的，计算该识别模型与其他识别模型分类结果之间的差异程度的方式可以存在多种，在此给出一种确定识别模型与其他识别模型分类结果之间的差异程度的方式：针对每个其他识别模型，可以确定该其他识别模型输出的分类结果与该识别模型输出的分类结果之间的证据距离（Jousselme Distance），并根据各其他识别模型输出的分类结果与该识别模型输出的分类结果之间的证据距离，确定该识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度。

也就是说，在确定出分类结果之间的差异程度时可以结合证据理论，将不同识别模型给出的分类结果作为不同证据，一个识别模型的分类结果可以作为证据

，另一个识别模型的分类结果可以作为证据

。

即，一个识别模型的分类结果与另一个识别模型的分类结果之间的差异程度为证据

和

之间的距离d(

)，证据

和

之间的距离d(

)可以采用Jousselme距离，公式为：

其中，

是证据

的情感识别信度分布，

是证据

的情感识别信度分布，即，情感识别信度分布可以是指识别出的各情感类别下的概率。D是一个4×4的矩阵，其中：

上述A与B分别为证据

和证据

中包含的元素，A与B为各自对应的分类结果中包含的所有情感类别的集合，当一个分类结果中有n个情感类别时，则D为一个n*n的矩阵。

确定出识别模型的分类结果之间的差异程度后，则可以确定出一个识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度，作为该识别模型对应的冲突度量，具体公式可以如下所示：

即，公式中的

为第i个识别模型输出的分类结果与各其他识别模型输出的分类结果之间的差异程度，即，第i个识别模型对应的冲突度量。

S106：根据所述各识别模型对应的冲突度量，构建包含有待确定的各识别模型对应的权重项的非线性函数。

S108：以所述非线性函数满足预设条件为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重。

而后，可以根据各识别模型对应的冲突度量，构建包含有待确定的各识别模型对应的权重项的非线性函数，具体的，之所以在这里使用非线性函数，是因为非线性的函数相比于线性函数具有更好的拟合数据分布情况的能力。

也就是说，在非线性函数中每个识别模型对应的权重为未知数，对于一个识别模型来说，在该非线性函数中：该识别模型对应的权重与该识别模型对应的差异程度之间可以呈负相关的关系。

上述提到的以非线性函数满足预设条件为优化目标，通过非线性函数确定各识别模型对应的权重，可以是指：以最小化非线性函数的函数值为优化目标，确定出各识别模型对应的权重。通过最小化非线性函数能够达到：对于一个识别模型来说，若该识别模型与各其他识别模型输出的分类结果之间的差异程度越大，则权重越低，若该识别模型与各其他识别模型输出的分类结果之间的差异程度越小，则权重越高。

上述非线性函数的具体形式可以存在多种，例如可以为如下形式：

其中，

为第i个识别模型对应的权重，

为第i个识别模型对应的冲突度量，即，第i个识别模型与除了第i个识别模型之外的各其他识别模型的识别结果之间的差异程度之和。N为识别模型的数量。m>1，m可以为预设的超参数，具体可以根据经验进行预先设定。

即，针对每个识别模型，可以根据该识别模型对应的差异程度以及该识别模型对应的权重项的m次幂，构建该识别模型对应的目标函数，并根据各识别模型对应的目标函数，构建上述非线性函数，其中，m>1。之所以使用上述形式的目标函数，是因为针对权重项

取m的幂次方后，可以使得目标函数具备非线性，从而可以使得拟合出的权重更加准确。

还需说明的是，为了在通过上述非线性函数确定权重的同时，使得最终确定出的各识别模型的权重满足归一化的条件，可以根据各识别模型对应的权重项，构建约束函数，其中，该约束函数用于约束各识别模型对应的权重的和值为1。而后，可以以非线性函数满足预设条件以及满足该约束函数为优化目标，确定所述各识别模型对应的权重，如图2所示。

图2为本说明书提供的一种根据非线性函数以及约束函数共同确定各识别模型对应的权重的流程示意图。

也就是说，各识别模型对应的权重需要满足以下约束条件（也可以将以下约束条件称作约束函数，目的是将各识别模型对应的权重的和值约束为1）：

然后，为了上述约束条件可以与非线性函数进行一同计算，可以约束函数转换为：

这样一来，在确定各识别模型对应的权重时，可以将上述约束函数与非线性函数合并在一起，作为综合目标函数进行计算，综合目标函数如下所示：

在确定各识别模型对应的权重

时，可以以最小化上述综合目标函数来确定出各识别模型对应的权重

，具体在服务器通过最小化综合目标函数求解

时，可以通过拉格朗日乘数法来求解。

S110：根据所述各识别模型对应的权重以及所述各识别模型对应的分类结果，确定综合分类结果，并根据所述综合分类结果，进行业务执行。

确定出各识别模型对应的权重后，可以根据各识别模型对应的权重以及各识别模型对应的分类结果，确定出综合分类结果，如图3所示。

图3为本说明书中提供的一种根据各识别模型对应的权重以及各识别模型对应的分类结果确定综合分类结果的流程示意图。

从图3中可以看出，综合分类结果是通过各识别模型对应的权重将各识别模型的分类结果进行融合得到的。

需要说明的是，通过各识别模型对应的权重以及各识别模型对应的分类结果，确定综合分类结果，可以是先根据各识别模型对应的权重，对各识别模型对应的分类结果进行加权求和，得到加权求和后的分类结果，进而根据加权求和后的分类结果，确定综合分类结果。

其中，可以不直接将加权求和后的分类结果，作为综合分类结果，而是将加权求和后的分类结果通过D-S组合规则进行若干次融合得到综合分类结果

：

其中D-S组合规则为：

上述提到的若干次融合具体可为n（n为情感类别的数量，即，共有多少种情感类别）-1次融合。之所以通过上述规则来确定出综合分类结果，是为了使得加权求和后的分类结果中概率值越大的情感类别更加的大，即，为了拉大不同情感类别的概率值之间的差异。

在每一次融合中，对加权求和后的分类结果中的每个概率值进行了一次优化。在融合，在加权求和的分类结果中，存在多个情感类别下的概率值，而多个情感类别中可能会存在一个情感类别表示不确定的情感，通过上述公式可以将该情感类别的概率值可以被分配给其他情感类别。

在实际的业务场景中，可以根据综合分类结果，进行业务执行，并且，在这种应用中，可以综合分类结果可以适用于多种业务场景。例如，在将情感分类应用在信息推荐业务场景中时，可以对用户给出的文本（或者将用户的语音转为文本）进行情感分类，得到综合分类结果，从而依据该综合分类结果，为用户进行信息推荐。再例如，在智能客服或对话机器人领域中，可以通过用户给出的文本（或者将用户的语音转为文本）进行情感分类，得到综合分类结果，从而依据该综合分类结果，对用户进行回复。

从上述内容中可以看出，本说明书中提供的基于情感分类进行任务执行的方法，可以综合多个识别模型对待识别文本情感分类的分类结果，得到最终的综合识别结果。

并且，对于单个识别模型来说，可以计算出该识别模型的分类结果与其他识别模型的分类结果之间的差异程度，作为该识别模型对应的冲突度量，并基于各识别模型对应的冲突度量构建出用于确定各识别模型对应的权重的非线性函数，通过最小化该非线性函数，可以确定出各识别模型对应的权重。

这种方式是通过识别模型的分类结果与其他识别模型的分类结果之间的差异程度，来模拟识别模型得出的分类结果的误差程度，因此通过这种方式，是希望使得各识别模型对应的权重叠加到各识别模型的识别结果上后，最终的误差最小，从而更加准确地确定出待识别文本的识别结果。

并且实际构建出的非线性函数可以是权重的幂与识别模型对应的差异程度之间乘积的形式，从而满足了函数的非线性，并且，若识别模型对应的冲突度量越大，权重将越小，从而使得识别模型的误差越大，该识别模型的权重越小，进而提高了情感分类的准确性。

以上为本说明书的一个或多个实施例提供的基于情感分类的业务执行方法，基于同样的思路，本说明书还提供了相应的基于情感分类的业务执行装置，如图4所示。

图4为本说明书提供的一种基于情感分类的业务执行装置示意图，具体包括：

获取模块401，用于获取待识别文本；

分类模块402，用于通过预先训练的各识别模型，对所述待识别文本进行情感分类，得到每个识别模型输出的分类结果；

差异确定模块403，用于针对每个识别模型，确定该识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度，作为该识别模型对应的冲突度量；

构建模块404，用于根据所述各识别模型对应的冲突度量，构建包含有待确定的各识别模型对应的权重项的非线性函数；

权重确定模块405，用于以所述非线性函数满足预设条件为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重；

执行模块406，用于根据所述各识别模型对应的权重以及所述各识别模型对应的分类结果，确定综合分类结果，并根据所述综合分类结果，进行业务执行。

可选地，所述权重确定模块405具体用于，以所述非线性函数的函数值最小化为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重。

可选地，所述构建模块404具体用于，针对每个识别模型，根据该识别模型对应的冲突度量以及该识别模型对应的权重项的m次幂，构建该识别模型对应的目标函数，m>1；根据各识别模型对应的目标函数，构建所述非线性函数。

可选地，以所述非线性函数满足预设条件为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重之前，所述构建模块404还用于，根据待确定的所述各识别模型对应的权重项，构建约束函数，所述约束函数用于约束所述各识别模型对应的权重的和值为1；

所述权重确定模块405具体用于，以所述非线性函数满足预设条件以及满足所述约束函数为优化目标，确定所述各识别模型对应的权重。

可选地，所述差异确定模块403具体用于，针对每个其他识别模型，确定该其他识别模型输出的分类结果与该识别模型输出的分类结果之间的证据距离JousselmeDistance；根据各其他识别模型输出的分类结果与该识别模型输出的分类结果之间的证据距离，确定该识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度。

可选地，所述执行模块406具体用于，根据所述各识别模型对应的权重，对所述各识别模型对应的分类结果进行加权求和，得到加权求和后的分类结果；根据所述加权求和后的分类结果，确定所述综合分类结果。

可选地，所述各识别模型是通过不同神经网络构建得到的。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述基于情感分类的任务执行方法。

本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述任务执行的方法。

当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims

1.一种基于情感分类的业务执行方法，其特征在于，包括：

获取待识别文本；

2.如权利要求1所述的方法，其特征在于，在所述非线性函数中，针对每个识别模型，该识别模型对应的权重与该识别模型对应的冲突度量呈负相关关系。

3.如权利要求1所述的方法，其特征在于，以所述非线性函数满足预设条件为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重，具体包括：

4.如权利要求1所述的方法，其特征在于，根据所述各识别模型对应的冲突度量，构建包含有待确定的各识别模型对应的权重项的非线性函数，具体包括：

根据各识别模型对应的目标函数，构建所述非线性函数。

5.如权利要求1所述的方法，其特征在于，以所述非线性函数满足预设条件为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重之前，所述方法还包括：

6.如权利要求1所述的方法，其特征在于，确定该识别模型输出的分类结果与其他识别模型输出的分类结果之间的差异程度，具体包括：

7.如权利要求1所述的方法，其特征在于，根据所述各识别模型对应的权重以及所述各识别模型对应的分类结果，确定综合分类结果，具体包括：

根据所述加权求和后的分类结果，确定所述综合分类结果。

8.如权利要求1所述的方法，其特征在于，针对每个识别模型，该识别模型输出的分类结果为该识别模型输出的所述待识别文本在各情感类别下的概率。

9.如权利要求1所述的方法，其特征在于，所述各识别模型是通过不同神经网络构建得到的。

10.一种基于情感分类的业务执行的装置，其特征在于，包括：

获取模块，用于获取待识别文本；

11.如权利要求10所述的装置，其特征在于，在所述非线性函数中，针对每个识别模型，该识别模型对应的权重与该识别模型对应的冲突度量呈负相关关系。

12.如权利要求10所述的装置，其特征在于，所述权重确定模块具体用于，以所述非线性函数的函数值最小化为优化目标，通过所述非线性函数确定出所述各识别模型对应的权重。

13.如权利要求10所述的装置，其特征在于，所述构建模块还用于，根据所述各识别模型对应的权重，构建约束函数，所述约束函数用于约束所述各识别模型对应的权重的和值为1；

14.一种计算机可读存储介质，其特征在于，所述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上述权利要求1~9任一项所述的方法。

15.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现上述权利要求1~9任一项所述的方法。