CN116244635A - 情绪类型智能识别方法、装置、设备和存储介质 - Google Patents

情绪类型智能识别方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN116244635A
CN116244635A CN202310342721.XA CN202310342721A CN116244635A CN 116244635 A CN116244635 A CN 116244635A CN 202310342721 A CN202310342721 A CN 202310342721A CN 116244635 A CN116244635 A CN 116244635A
Authority
CN
China
Prior art keywords
emotion
type
types
scores
signal
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.)
Pending
Application number
CN202310342721.XA
Other languages
English (en)
Inventor
王耀
马佳婕
张晓永
黄莹
陈又新
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310342721.XA priority Critical patent/CN116244635A/zh
Publication of CN116244635A publication Critical patent/CN116244635A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Technology Law (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及情绪识别技术领域，提供一种情绪类型智能识别方法、装置、设备和存储介质，可以用于金融领域中在客服回答用户问题时识别用户的情绪类型，其中方法包括：将多模态数据转换为N个情绪信号，匹配与每个情绪信号对应的多个情绪类型；计算每个情绪类型在数据库内出现的频率，得到情绪频率；计算每个情绪信号在对应的i个情绪类型中的权重，得到i个辨识度权重；将i个辨识度权重分别乘以对应的情绪频率，得到i个情绪评分；对i个情绪评分中同一情绪类型的情绪评分进行求和，得到与M个情绪类型对应的M个情绪类型评分；根据M个情绪类型评分筛选出j个目标情绪类型。情绪频率和辨识度权重能够相互调节，得到较为准确的情绪评分。

Description

情绪类型智能识别方法、装置、设备和存储介质
技术领域
本申请涉及情绪识别技术领域，例如涉及情绪类型智能识别方法、装置、设备和存储介质。
背景技术
随着生物识别技术的迅速发展，情绪识别在众多行业的应用越来越广泛。例如，对于金融产品和/或金融APP通常有较多用户通过电话或视频的方式向客服咨询，在识别出用户情绪的基础上，客服对用户提出的金融产品和/或金融APP问题作出回答，提高用户的满意度。目前的情绪识别方法主要是通过匹配表情与情绪间的对应关系来识别不同的情绪，具体地，以视频咨询中各种情绪对应的表情、面部和/或肢体动作为素材，对素材对应的情绪进行标注，使用标注后的素材训练待训练的情绪识别模型。由于用户与客服沟通时用户的环境较为复杂，基于单一模态数据进行情绪识别存在情绪信号与情绪类别的匹配度不高，导致情绪识别的准确率不高的问题。
发明内容
本申请提供一种情绪类型智能识别方法、装置、设备和存储介质，旨在解决基于单一模态数据进行情绪识别存在情绪信号与情绪类别的匹配度不高，导致情绪识别的准确率不高的问题。
为解决上述问题，本申请采用以下技术方案：
本文提供了情绪类型智能识别方法，包括：
获取多模态数据，将所述多模态数据转换为N个情绪信号，匹配与每个所述情绪信号对应的多个情绪类型，其中，N≥1；
计算每个所述情绪类型在数据库内出现的频率，得到情绪频率；
计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重，其中，i≥1；
将i个所述辨识度权重分别乘以对应的所述情绪频率，得到i个情绪评分；
对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，其中，M≥1；
根据M个所述情绪类型评分筛选出j个目标情绪类型，其中，1≤j≤M。
优选地，所述根据M个所述情绪类型评分筛选出j个目标情绪类型，包括：
对M个所述情绪类型评分进行降序排列，得到情绪类型序列；
筛选出所述情绪类型序列中第1个所述情绪类型评分至第j个所述情绪类型评分，得到j个目标情绪类型评分；
将j个所述目标情绪类型评分对应的j个所述情绪类型作为j个所述目标情绪类型。
优选地，所述计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重，包括：
计算每个所述情绪信号在i个所述情绪类型中出现的次数，得到i个信号出现次数；
将i个所述信号出现次数相加，得到信号出现总次数；
计算第1个所述信号出现次数至第i个所述信号出现次数与所述信号出现总次数的比值，得到i个所述辨识度权重。
优选地，所述计算每个所述情绪类型在数据库内出现的频率，得到情绪频率，包括：
统计每个所述情绪类型在所述数据库内出现的次数，得到情绪次数；
统计所有所述情绪类型在所述数据库内出现的总次数，得到情绪总次数；
将所述情绪次数与所述情绪总次数的比值作为所述情绪频率。
优选地，所述匹配与每个所述情绪信号对应的多个情绪类型，包括：
调取所述数据库中的所有所述情绪类型；
统计出现过所述情绪信号的所述情绪类型，得到多个所述情绪类型。
优选地，所述对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，包括：
统计i个所述情绪评分对应的所述情绪类型的数量，得到M个所述情绪类型；
将M个所述情绪类型中的每个所述情绪类型对应的所有所述情绪类型评分进行求和，得到M个所述情绪类型评分。
优选地，所述多模态数据包括二维人脸图像、三维人体图像和语音音频中的任意多种。
本申请还提供了一种情绪类型智能识别装置，包括：
情绪类型匹配模块，用于获取多模态数据，将所述多模态数据转换为N个情绪信号，匹配与每个所述情绪信号对应的多个情绪类型，其中，N≥1；
情绪频率计算模块，用于计算每个所述情绪类型在数据库内出现的频率，得到情绪频率；
辨识度权重计算模块，用于计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重，其中，i≥1；
情绪评分计算模块，用于将i个所述辨识度权重分别乘以对应的所述情绪频率，得到i个情绪评分；
情绪类型评分计算模块，用于对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，其中，M≥1；
目标情绪类型筛选模块，用于根据M个所述情绪类型评分筛选出j个目标情绪类型，其中，1≤j≤M。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的情绪类型智能识别方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的情绪类型智能识别方法的步骤。
本申请的情绪类型智能识别方法，包括获取多模态数据，将多模态数据转换为N个情绪信号，匹配与每个情绪信号对应的多个情绪类型，其中，N≥1；计算每个情绪类型在数据库内出现的频率，得到情绪频率；计算每个情绪信号在对应的i个情绪类型中的权重，得到i个辨识度权重，其中，i≥1；将i个辨识度权重分别乘以对应的情绪频率，得到i个情绪评分；对i个情绪评分中同一情绪类型的情绪评分进行求和，得到与M个情绪类型对应的M个情绪类型评分，其中，M≥1；根据M个情绪类型评分筛选出j个目标情绪类型，其中，1≤j≤M。N个情绪信号由多模态数据获得，能够较为全面的反映用户的情绪。情绪信号出现的越频繁，由于多种情绪类型会出现同一个情绪信号，情绪信号对应的辨识度权重越低。通过辨识度权重和情绪频率计算得到情绪评分，使得反映情绪出现次数的情绪频率和反映情绪辨识度的辨识度权重能够相互调节，得到较为准确的情绪评分。根据情绪评分筛选出的目标情绪类型较为准确。
附图说明
图1为一实施例的情绪类型智能识别方法的流程示意图；
图2为一实施例的根据M个情绪类型评分筛选出j个目标情绪类型的流程示意图；
图3为一实施例的计算每个情绪信号在对应的i个情绪类型中的权重的流程示意图；
图4为一实施例的计算每个情绪类型在数据库内出现的频率的流程示意图；
图5为一实施例的匹配与每个情绪信号对应的多个情绪类型的流程示意图；
图6为一实施例的情绪类型智能识别装置的结构示意框图；
图7为一实施例的计算机设备的结构示意框图。
本申请目的实现、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
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“上述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件、单元、单元和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、单元、单元、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
参照图1，是本方案申请的情绪类型智能识别方法的流程示意图，情绪类型智能识别方法可以用于在金融领域的用户咨询过程中识别用户情绪，具体地，通过获取视频咨询或电话咨询金融产品和/或金融APP过程中的多模态数据，将多模态数据转换为情绪信号，计算情绪信号对应的情绪类型的情绪频率，计算情绪信号在情绪类型中的辨识度权重，根据辨识度权重和情绪频率计算出多个情绪类型，从多个情绪类型中筛选出目标情绪类型，将目标情绪类型推荐给用户，根据用户的选择判断筛选出的用户的情绪类型是否准确，从而提高为用户提供金融产品和/或金融APP咨询服务的过程中用户的满意度。
所述情绪类型智能识别方法包括以下步骤S1-S6：
S1：获取多模态数据，将所述多模态数据转换为N个情绪信号，匹配与每个所述情绪信号对应的多个情绪类型，其中，N≥1。
所述多模态数据包括二维人脸图像、三维人体图像和语音音频中的任意多种。本申请实施例以多模态数据包括二维人脸图像、三维人体图像和语音音频为例。
对于二维人脸图像，通过提取二维人脸图像的关键点集合，根据关键点集合进行表情分析，得到与二维人脸图像对应的N1个情绪信号。
对于三维人体图像，通过提取三维人体图像的人体姿势，对人体姿势进行情绪分析，得到与三维人体图像对应的N2个情绪信号。
对于语音音频，通过对语音音频进行梅尔频率分析，得到梅尔频率倒谱系数，将梅尔频率倒谱系数和语音音频输入已训练的音频分析模型，得到与语音音频对应的N3个情绪信号。
上述N1个情绪信号、N2个情绪信号、N3个情绪信号与N个情绪信号的关系为N1+N2+N3＝N。
所述匹配与每个所述情绪信号对应的多个情绪类型，包括：
调取所述数据库中的所有所述情绪类型；
统计出现过所述情绪信号的所述情绪类型，得到多个所述情绪类型。
S2：计算每个所述情绪类型在数据库内出现的频率，得到情绪频率。
统计每个所述情绪类型在所述数据库内出现的次数，得到情绪次数；
统计所有所述情绪类型在所述数据库内出现的总次数，得到情绪总次数；
将所述情绪次数与所述情绪总次数的比值作为所述情绪频率。
情绪类型在数据库内出现的次数越多，情绪类型对应的情绪频率越高。情绪类型在数据库内出现的次数越少，情绪类型对应的情绪频率越低。
S3：计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重，其中，i≥1。
计算每个所述情绪信号在i个所述情绪类型中出现的次数，得到i个信号出现次数；
将i个所述信号出现次数相加，得到信号出现总次数；
计算第1个所述信号出现次数至第i个所述信号出现次数与所述信号出现总次数的比值，得到i个所述辨识度权重。
由于i种情绪类型均会出现同一种情绪信号，情绪信号在i个情绪类型中出现的次数越多，越难以分辨情绪信号属于哪种情绪类型，情绪信号用于识别情绪类型的辨识度权重越低。
辨识度权重能够对情绪频率进行调节。
S4：将i个所述辨识度权重分别乘以对应的所述情绪频率，得到i个情绪评分。
出现过情绪信号的情绪类型越少，情绪信号在数据库中出现的频率越高，情绪信号对应的情绪评分越高，情绪类型的判断准确率越高。
S5：对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，其中，M≥1。
统计i个所述情绪评分对应的所述情绪类型的数量，得到M个所述情绪类型；
将M个所述情绪类型中的每个所述情绪类型对应的所有所述情绪类型评分进行求和，得到M个所述情绪类型评分。
由于获取的多模态数据包括多个情绪信号，不同情绪信号可能对应同一种情绪类型，需要计算每个情绪信号对应的情绪评分，将属于同一类型的所有情绪评分求和，得到每个情绪类型的情绪类型评分。情绪类型评分越高，情绪类型评分对应的情绪类型越符合用户在咨询金融产品和/或金融APP过程中的真实情绪类型。
S6：根据M个所述情绪类型评分筛选出j个目标情绪类型，其中，1≤j≤M。
对M个所述情绪类型评分进行降序排列，得到情绪类型序列；
筛选出所述情绪类型序列中第1个所述情绪类型评分至第j个所述情绪类型评分，得到j个目标情绪类型评分；
将j个所述目标情绪类型评分对应的j个所述情绪类型作为j个所述目标情绪类型。
优选地，将j设置为3。
将j个目标情绪类型推荐给用户之后，提示用户在j个目标情绪类型中选择用户的真实情绪类型，接收用户反馈的真实情绪类型，若真实情绪类型为j个目标情绪类型中的一个或多个，则说明情绪识别的效果较好。若真实情绪类型不为j个目标情绪类型中的任意一个，则说明情绪识别的效果不好，根据用户反馈的真实情绪类型与当前获取的多模态数据优化数据库。
通过辨识度权重和情绪频率计算得到情绪评分，使得反映情绪出现次数的情绪频率和反映情绪辨识度的辨识度权重能够相互调节，得到较为准确的情绪评分。根据情绪评分筛选出的目标情绪类型较为准确。
本申请实施例的情绪类型智能识别方法，包括获取多模态数据，将多模态数据转换为N个情绪信号，匹配与每个情绪信号对应的多个情绪类型，其中，N≥1；计算每个情绪类型在数据库内出现的频率，得到情绪频率；计算每个情绪信号在对应的i个情绪类型中的权重，得到i个辨识度权重，其中，i≥1；将i个辨识度权重分别乘以对应的情绪频率，得到i个情绪评分；对i个情绪评分中同一情绪类型的情绪评分进行求和，得到与M个情绪类型对应的M个情绪类型评分，其中，M≥1；根据M个情绪类型评分筛选出j个目标情绪类型，其中，1≤j≤M。N个情绪信号由多模态数据获得，能够较为全面的反映用户的情绪。情绪信号出现的越频繁，由于多种情绪类型会出现同一个情绪信号，情绪信号对应的辨识度权重越低。通过辨识度权重和情绪频率计算得到情绪评分，使得反映情绪出现次数的情绪频率和反映情绪辨识度的辨识度权重能够相互调节，得到较为准确的情绪评分。根据情绪评分筛选出的目标情绪类型较为准确。
在一个实施例中，参照图2，所述根据M个所述情绪类型评分筛选出j个目标情绪类型的步骤S6，包括以下步骤S61-S63：
S61：对M个所述情绪类型评分进行降序排列，得到情绪类型序列。
对M个情绪类型评分S1，S2，...，SM进行降序排列，在情绪类型序列中序号越小，对应的情绪类型评分越高。
S62：筛选出所述情绪类型序列中第1个所述情绪类型评分至第j个所述情绪类型评分，得到j个目标情绪类型评分。
第1个情绪类型评分最高，对应的情绪类型与用户的真实情绪类型的匹配度最高。
优选地，将j设置为3。
S63：将j个所述目标情绪类型评分对应的j个所述情绪类型作为j个所述目标情绪类型。
j个目标情绪类型与用户的真实情绪类型的匹配度较高。
如上所述，根据M个所述情绪类型评分筛选出j个目标情绪类型包括对M个所述情绪类型评分进行降序排列，得到情绪类型序列。筛选出情绪类型序列中第1个情绪类型评分至第j个情绪类型评分，得到j个目标情绪类型评分。将j个目标情绪类型评分对应的j个情绪类型作为j个目标情绪类型。j个目标情绪类型与用户的真实情绪类型的匹配度较高。
在一个实施例中，参照图3，所述计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重的步骤S3，还包括以下步骤S31-S33：
S31：计算每个所述情绪信号在i个所述情绪类型中出现的次数，得到i个信号出现次数。
示例性，第1个情绪信号D1一共在i个情绪类型E1，E2，...，Ei中出现过，第1个情绪信号D1在第1个情绪类型E1中的出现次数为3，第1个情绪信号D1在第2个情绪类型E2中的出现次数为4，第1个情绪信号D1在第i个情绪类型Ei中的出现次数为8。
S32：将i个所述信号出现次数相加，得到信号出现总次数。
示例性，将第1个情绪信号D1在i个情绪类型中的出现次数相加，得到信号出现总次数为50。
S33：计算第1个所述信号出现次数至第i个所述信号出现次数与所述信号出现总次数的比值，得到i个所述辨识度权重。
示例性，第1个情绪信号D1对应的第1个信号出现次数为3，对应的第1个辨识度权重为0.06；第1个情绪信号D1对应的第2个信号出现次数为4，对应的第2个辨识度权重为0.08；第1个情绪信号D1对应的第3个信号出现次数为8，对应的第3个辨识度权重为0.16。
由于i种情绪类型均会出现同一种情绪信号，情绪信号在i个情绪类型中出现的次数越多，越难以分辨情绪信号属于哪种情绪类型，情绪信号用于识别情绪类型的辨识度权重越低。
辨识度权重能够对情绪频率进行调节。
如上所述，计算每个情绪信号在对应的i个情绪类型中的权重，得到i个辨识度权重，包括计算每个情绪信号在i个情绪类型中出现的次数，得到i个信号出现次数。将i个信号出现次数相加，得到信号出现总次数。计算第1个信号出现次数至第i个信号出现次数与信号出现总次数的比值，得到i个辨识度权重。由于i种情绪类型均会出现同一种情绪信号，情绪信号在i个情绪类型中出现的次数越多，越难以分辨情绪信号属于哪种情绪类型，情绪信号用于识别情绪类型的辨识度权重越低。辨识度权重能够对情绪频率进行调节。
在一个实施例中，参照图4，所述计算每个所述情绪类型在数据库内出现的频率，得到情绪频率的步骤S2，包括以下步骤S21-S23：
S21：统计每个所述情绪类型在所述数据库内出现的次数，得到情绪次数。
示例性，第1种情绪类型E1在数据库内出现了30次，则第1种情绪类型E1的情绪次数为30次，第2种情绪类型E2在数据库内出现了10次，则第2种情绪类型E2的情绪次数为10次。
S22：统计所有所述情绪类型在所述数据库内出现的总次数，得到情绪总次数。
示例性，情绪类型的总数为k，k≥M，k种情绪类型在数据库内出现的总次数为1300次，则情绪总次数为1300次。
S23：将所述情绪次数与所述情绪总次数的比值作为所述情绪频率。
示例性，第1种情绪类型E1在数据库内出现的情绪次数与情绪总次数的比值约为2.3％，第2种情绪类型E2在数据库内出现的情绪次数与情绪总次数的比值约为0.77％。
情绪类型在数据库内出现的次数越多，情绪类型对应的情绪频率越高。情绪类型在数据库内出现的次数越少，情绪类型对应的情绪频率越低。
如上所述，计算每个情绪类型在数据库内出现的频率，得到情绪频率包括统计每个情绪类型在数据库内出现的次数，得到情绪次数。统计所有情绪类型在数据库内出现的总次数，得到情绪总次数。将情绪次数与情绪总次数的比值作为情绪频率。情绪类型在数据库内出现的次数越多，情绪类型对应的情绪频率越高。情绪类型在数据库内出现的次数越少，情绪类型对应的情绪频率越低。
在一个实施例中，参照图5，所述获取多模态数据，将所述多模态数据转换为N个情绪信号，匹配与每个所述情绪信号对应的多个情绪类型，其中，N≥1的步骤S1，包括以下步骤S11-S14：
S11：获取多模态数据。
所述多模态数据包括二维人脸图像、三维人体图像和语音音频中的任意多种。
二维人脸图像可以通过摄像机或手机的拍摄镜头拍摄得到，三维人体图像可以通过三维成像仪拍摄得到，三维人体图像也可以通过结合多张二维人脸图像和三维人体模型得到。语音音频可以通过在用户和客服电话沟通的过程中记录电话沟通的内容得到。
S12：将所述多模态数据转换为N个情绪信号。
对于二维人脸图像，通过提取二维人脸图像的关键点集合，根据关键点集合进行表情分析，得到与二维人脸图像对应的N1个情绪信号。
对于三维人体图像，通过提取三维人体图像的人体姿势，对人体姿势进行情绪分析，得到与三维人体图像对应的N2个情绪信号。
对于语音音频，通过对语音音频进行梅尔频率分析，得到梅尔频率倒谱系数，将梅尔频率倒谱系数和语音音频输入已训练的音频分析模型，得到与语音音频对应的N3个情绪信号。
上述N1个情绪信号、N2个情绪信号、N3个情绪信号与N个情绪信号的关系为N1+N2+N3＝N。
S13：调取所述数据库中的所有所述情绪类型。
数据库中的情绪类型包括高兴、惊喜、惊讶、疑惑、生气和失望。
S14：统计出现过所述情绪信号的所述情绪类型，得到多个所述情绪类型。
示例性，第1个情绪信号D1在高兴和惊喜两种情绪类型中出现过，则与第1个情绪信号D1对应的多个情绪类型为高兴和惊喜。
情绪类型用于计算情绪频率和辨识度权重。
如上所述，获取多模态数据，将多模态数据转换为N个情绪信号，匹配与每个情绪信号对应的多个情绪类型，其中，N≥1，包括获取多模态数据，将多模态数据转换为N个情绪信号。调取数据库中的所有情绪类型，统计出现过情绪信号的情绪类型的总数，得到多个情绪类型。情绪类型用于计算情绪频率和辨识度权重。
在一个实施例中，所述对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，其中，M≥1的步骤S5，包括以下步骤S51-S52：
S51：统计i个所述情绪评分对应的所述情绪类型的数量，得到M个所述情绪类型。
一个情绪评分可能在一个情绪类型中出现过，一个情绪评分也可能在多个情绪类型中出现过，多个情绪评分也可能在一个情绪类型中出现过。因此，M可能大于i，M也可能等于i，M还可能小于i。
S52：将M个所述情绪类型中的每个所述情绪类型对应的所有所述情绪类型评分进行求和，得到M个所述情绪类型评分。
示例性，第1个情绪类型E1对应2个情绪类型评分，分别为第1个情绪信号对应的第1个情绪类型评分为0.69％，第2个情绪信号对应的第1个情绪类型评分为1.65％，则第1个情绪类型E1对应的情绪类型评分为2.34％。
由于获取的多模态数据包括多个情绪信号，不同情绪信号可能对应同一种情绪类型，需要计算每个情绪信号对应的情绪评分，将属于同一类型的所有情绪评分求和，得到每个情绪类型的情绪类型评分。情绪类型评分越高，情绪类型评分对应的情绪类型越符合用户在咨询金融产品和/或金融APP过程中的真实情绪类型。
如上所述，对i个情绪评分中同一情绪类型的情绪评分进行求和，得到与M个情绪类型对应的M个情绪类型评分，其中，M≥1，包括统计i个情绪评分对应的情绪类型的数量，得到M个情绪类型。将M个情绪类型中的每个情绪类型对应的所有情绪类型评分进行求和，得到M个情绪类型评分。由于获取的多模态数据包括多个情绪信号，不同情绪信号可能对应同一种情绪类型，需要计算每个情绪信号对应的情绪评分，将属于同一类型的所有情绪评分求和，得到每个情绪类型的情绪类型评分。
参照图6，是本方案申请的一种情绪类型智能识别装置的结构示意框图，装置包括：
情绪类型匹配模块10，用于获取多模态数据，将所述多模态数据转换为N个情绪信号，匹配与每个所述情绪信号对应的多个情绪类型，其中，N≥1；
情绪频率计算模块20，用于计算每个所述情绪类型在数据库内出现的频率，得到情绪频率；
辨识度权重计算模块30，用于计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重，其中，i≥1；
情绪评分计算模块40，用于将i个所述辨识度权重分别乘以对应的所述情绪频率，得到i个情绪评分；
情绪类型评分计算模块50，用于对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，其中，M≥1；
目标情绪类型筛选模块60，用于根据M个所述情绪类型评分筛选出j个目标情绪类型，其中，1≤j≤M。
上述情绪类型智能识别装置用于实现情绪类型智能识别方法。
在一个实施例中，所述目标情绪类型筛选模块60还包括：
降序排列单元，用于对M个所述情绪类型评分进行降序排列，得到情绪类型序列；
情绪类型评分筛选单元，用于筛选出所述情绪类型序列中第1个所述情绪类型评分至第j个所述情绪类型评分，得到j个目标情绪类型评分；
目标情绪类型定义单元，用于将j个所述目标情绪类型评分对应的j个所述情绪类型作为j个所述目标情绪类型。
在一个实施例中，所述辨识度权重计算模块30还包括：
信号出现次数计算单元，用于计算每个所述情绪信号在i个所述情绪类型中出现的次数，得到i个信号出现次数；
信号出现总次数计算单元，用于将i个所述信号出现次数相加，得到信号出现总次数；
辨识度权重计算单元，用于计算第1个所述信号出现次数至第i个所述信号出现次数与所述信号出现总次数的比值，得到i个所述辨识度权重。
在一个实施例中，所述情绪频率计算模块20还包括：
情绪次数统计单元，用于统计每个所述情绪类型在所述数据库内出现的次数，得到情绪次数；
情绪总次数统计单元，用于统计所有所述情绪类型在所述数据库内出现的总次数，得到情绪总次数；
情绪频率定义单元，用于将所述情绪次数与所述情绪总次数的比值作为所述情绪频率。
在一个实施例中，所述情绪类型匹配模块10还包括：
情绪类型调取单元，用于调取所述数据库中的所有所述情绪类型；
情绪类型总数统计单元，用于统计出现过所述情绪信号的所述情绪类型，得到多个所述情绪类型。
在一个实施例中，所述情绪类型评分计算模块50还包括：
情绪类型数量统计单元，用于统计i个所述情绪评分对应的所述情绪类型的数量，得到M个所述情绪类型；
情绪类型评分求和单元，用于将M个所述情绪类型中的每个所述情绪类型对应的所有所述情绪类型评分进行求和，得到M个所述情绪类型评分。
参照图7，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储情绪评分等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现情绪类型智能识别方法。上述情绪类型智能识别方法包括：
获取多模态数据，将所述多模态数据转换为N个情绪信号，匹配与每个所述情绪信号对应的多个情绪类型，其中，N≥1；
计算每个所述情绪类型在数据库内出现的频率，得到情绪频率；
计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重，其中，i≥1；
将i个所述辨识度权重分别乘以对应的所述情绪频率，得到i个情绪评分；
对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，其中，M≥1；
根据M个所述情绪类型评分筛选出j个目标情绪类型，其中，1≤j≤M。
在一个实施例中，所述根据M个所述情绪类型评分筛选出j个目标情绪类型，包括：
对M个所述情绪类型评分进行降序排列，得到情绪类型序列；
筛选出所述情绪类型序列中第1个所述情绪类型评分至第j个所述情绪类型评分，得到j个目标情绪类型评分；
将j个所述目标情绪类型评分对应的j个所述情绪类型作为j个所述目标情绪类型。
在一个实施例中，所述计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重，包括：
计算每个所述情绪信号在i个所述情绪类型中出现的次数，得到i个信号出现次数；
将i个所述信号出现次数相加，得到信号出现总次数；
计算第1个所述信号出现次数至第i个所述信号出现次数与所述信号出现总次数的比值，得到i个所述辨识度权重。
在一个实施例中，所述计算每个所述情绪类型在数据库内出现的频率，得到情绪频率，包括：
统计每个所述情绪类型在所述数据库内出现的次数，得到情绪次数；
统计所有所述情绪类型在所述数据库内出现的总次数，得到情绪总次数；
将所述情绪次数与所述情绪总次数的比值作为所述情绪频率。
在一个实施例中，所述匹配与每个所述情绪信号对应的多个情绪类型，包括：
调取所述数据库中的所有所述情绪类型；
统计出现过所述情绪信号的所述情绪类型，得到多个所述情绪类型。
在一个实施例中，所述对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，包括：
统计i个所述情绪评分对应的所述情绪类型的数量，得到M个所述情绪类型；
将M个所述情绪类型中的每个所述情绪类型对应的所有所述情绪类型评分进行求和，得到M个所述情绪类型评分。
在一个实施例中，所述多模态数据包括二维人脸图像、三维人体图像和语音音频中的任意多种。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现情绪类型智能识别方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
上述情绪类型智能识别方法包括：
获取多模态数据，将所述多模态数据转换为N个情绪信号，匹配与每个所述情绪信号对应的多个情绪类型，其中，N≥1；
计算每个所述情绪类型在数据库内出现的频率，得到情绪频率；
计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重，其中，i≥1；
将i个所述辨识度权重分别乘以对应的所述情绪频率，得到i个情绪评分；
对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，其中，M≥1；
根据M个所述情绪类型评分筛选出j个目标情绪类型，其中，1≤j≤M。
在一个实施例中，所述根据M个所述情绪类型评分筛选出j个目标情绪类型，包括：
对M个所述情绪类型评分进行降序排列，得到情绪类型序列；
筛选出所述情绪类型序列中第1个所述情绪类型评分至第j个所述情绪类型评分，得到j个目标情绪类型评分；
将j个所述目标情绪类型评分对应的j个所述情绪类型作为j个所述目标情绪类型。
在一个实施例中，所述计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重，包括：
计算每个所述情绪信号在i个所述情绪类型中出现的次数，得到i个信号出现次数；
将i个所述信号出现次数相加，得到信号出现总次数；
计算第1个所述信号出现次数至第i个所述信号出现次数与所述信号出现总次数的比值，得到i个所述辨识度权重。
在一个实施例中，所述计算每个所述情绪类型在数据库内出现的频率，得到情绪频率，包括：
统计每个所述情绪类型在所述数据库内出现的次数，得到情绪次数；
统计所有所述情绪类型在所述数据库内出现的总次数，得到情绪总次数；
将所述情绪次数与所述情绪总次数的比值作为所述情绪频率。
在一个实施例中，所述匹配与每个所述情绪信号对应的多个情绪类型，包括：
调取所述数据库中的所有所述情绪类型；
统计出现过所述情绪信号的所述情绪类型，得到多个所述情绪类型。
在一个实施例中，所述对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，包括：
统计i个所述情绪评分对应的所述情绪类型的数量，得到M个所述情绪类型；
将M个所述情绪类型中的每个所述情绪类型对应的所有所述情绪类型评分进行求和，得到M个所述情绪类型评分。
在一个实施例中，所述多模态数据包括二维人脸图像、三维人体图像和语音音频中的任意多种。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种情绪类型智能识别方法，其特征在于，包括：
获取多模态数据，将所述多模态数据转换为N个情绪信号，匹配与每个所述情绪信号对应的多个情绪类型，其中，N≥1；
计算每个所述情绪类型在数据库内出现的频率，得到情绪频率；
计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重，其中，i≥1；
将i个所述辨识度权重分别乘以对应的所述情绪频率，得到i个情绪评分；
对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，其中，M≥1；
根据M个所述情绪类型评分筛选出j个目标情绪类型，其中，1≤j≤M。
2.根据权利要求1所述的情绪类型智能识别方法，其特征在于，所述根据M个所述情绪类型评分筛选出j个目标情绪类型，包括：
对M个所述情绪类型评分进行降序排列，得到情绪类型序列；
筛选出所述情绪类型序列中第1个所述情绪类型评分至第j个所述情绪类型评分，得到j个目标情绪类型评分；
将j个所述目标情绪类型评分对应的j个所述情绪类型作为j个所述目标情绪类型。
3.根据权利要求1所述的情绪类型智能识别方法，其特征在于，所述计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重，包括：
计算每个所述情绪信号在i个所述情绪类型中出现的次数，得到i个信号出现次数；
将i个所述信号出现次数相加，得到信号出现总次数；
计算第1个所述信号出现次数至第i个所述信号出现次数与所述信号出现总次数的比值，得到i个所述辨识度权重。
4.根据权利要求1所述的情绪类型智能识别方法，其特征在于，所述计算每个所述情绪类型在数据库内出现的频率，得到情绪频率，包括：
统计每个所述情绪类型在所述数据库内出现的次数，得到情绪次数；
统计所有所述情绪类型在所述数据库内出现的总次数，得到情绪总次数；
将所述情绪次数与所述情绪总次数的比值作为所述情绪频率。
5.根据权利要求1所述的情绪类型智能识别方法，其特征在于，所述匹配与每个所述情绪信号对应的多个情绪类型，包括：
调取所述数据库中的所有所述情绪类型；
统计出现过所述情绪信号的所述情绪类型，得到多个所述情绪类型。
6.根据权利要求1所述的情绪类型智能识别方法，其特征在于，所述对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，包括：
统计i个所述情绪评分对应的所述情绪类型的数量，得到M个所述情绪类型；
将M个所述情绪类型中的每个所述情绪类型对应的所有所述情绪类型评分进行求和，得到M个所述情绪类型评分。
7.根据权利要求1所述的情绪类型智能识别方法，其特征在于，所述多模态数据包括二维人脸图像、三维人体图像和语音音频中的任意多种。
8.一种情绪类型智能识别装置，其特征在于，包括：
情绪类型匹配模块，用于获取多模态数据，将所述多模态数据转换为N个情绪信号，匹配与每个所述情绪信号对应的多个情绪类型，其中，N≥1；
情绪频率计算模块，用于计算每个所述情绪类型在数据库内出现的频率，得到情绪频率；
辨识度权重计算模块，用于计算每个所述情绪信号在对应的i个所述情绪类型中的权重，得到i个辨识度权重，其中，i≥1；
情绪评分计算模块，用于将i个所述辨识度权重分别乘以对应的所述情绪频率，得到i个情绪评分；
情绪类型评分计算模块，用于对i个所述情绪评分中同一所述情绪类型的所述情绪评分进行求和，得到与M个所述情绪类型对应的M个情绪类型评分，其中，M≥1；
目标情绪类型筛选模块，用于根据M个所述情绪类型评分筛选出j个目标情绪类型，其中，1≤j≤M。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的情绪类型智能识别方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的情绪类型智能识别方法的步骤。
CN202310342721.XA 2023-03-24 2023-03-24 情绪类型智能识别方法、装置、设备和存储介质 Pending CN116244635A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310342721.XA CN116244635A (zh) 2023-03-24 2023-03-24 情绪类型智能识别方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310342721.XA CN116244635A (zh) 2023-03-24 2023-03-24 情绪类型智能识别方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN116244635A true CN116244635A (zh) 2023-06-09

Family

ID=86626225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310342721.XA Pending CN116244635A (zh) 2023-03-24 2023-03-24 情绪类型智能识别方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN116244635A (zh)

Similar Documents

Publication Publication Date Title
US10438586B2 (en) Voice dialog device and voice dialog method
CN108305641B (zh) 情感信息的确定方法和装置
CN110472224B (zh) 服务质量的检测方法、装置、计算机设备和存储介质
WO2022095380A1 (zh) 基于ai的虚拟交互模型生成方法、装置、计算机设备及存储介质
CN110020009B (zh) 在线问答方法、装置及系统
CN109088999B (zh) 一种播放回铃音的方法、装置及计算机可读存储介质
CN110188361A (zh) 结合文本、语音与情绪特征的语音意图识别方法及装置
CN112233698A (zh) 人物情绪识别方法、装置、终端设备及存储介质
CN110570208B (zh) 投诉预处理方法以及装置
CN110399472B (zh) 面试提问提示方法、装置、计算机设备及存储介质
CN110890088A (zh) 语音信息反馈方法、装置、计算机设备和存储介质
CN115665325A (zh) 一种智能外呼的方法、装置、电子设备及存储介质
CN113643047A (zh) 虚拟现实控制策略的推荐方法、装置、设备及存储介质
CN110310169A (zh) 基于兴趣值的信息推送方法、装置、设备及介质
CN114186036A (zh) 对话处理方法、装置、计算机设备和存储介质
CN109961152B (zh) 虚拟偶像的个性化互动方法、系统、终端设备及存储介质
CN111222854A (zh) 基于面试机器人的面试方法、装置、设备及存储介质
US20140163891A1 (en) Apparatus and method for real-time emotion recognition using heart rate variability
US10410655B2 (en) Estimating experienced emotions
CN113873088A (zh) 语音通话的交互方法、装置、计算机设备和存储介质
CN109119073A (zh) 基于多源识别的语音识别方法、系统、音箱及存储介质
US20180342240A1 (en) System and method for assessing audio files for transcription services
CN116244635A (zh) 情绪类型智能识别方法、装置、设备和存储介质
CN111522937A (zh) 话术推荐方法、装置和电子设备
CN110781329A (zh) 图像搜索方法、装置、终端设备及存储介质

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