CN117235257A - 基于人工智能的情感预测方法、装置、设备及存储介质 - Google Patents
基于人工智能的情感预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117235257A CN117235257A CN202311149482.2A CN202311149482A CN117235257A CN 117235257 A CN117235257 A CN 117235257A CN 202311149482 A CN202311149482 A CN 202311149482A CN 117235257 A CN117235257 A CN 117235257A
- Authority
- CN
- China
- Prior art keywords
- processing
- emotion
- prediction
- topological graph
- graph
- 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
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 145
- 238000011156 evaluation Methods 0.000 claims abstract description 126
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 67
- 230000000295 complement effect Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 238000005096 rolling process Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 25
- 230000008909 emotion recognition Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 17
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006397 emotional response Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请属于人工智能领域与金融科技领域，涉及一种基于人工智能的情感预测方法，包括：基于用户评价文本构建拓扑图；通过初始模型内的图卷积网络对拓扑图进行处理得到特征表示矩阵；基于特征表示矩阵及相似度计算器对拓扑图进行处理得到目标拓扑图；基于预测层对特征表示矩阵进行处理得到情感分类标签；基于由预测标签构建的损失函数对初始模型进行训练得到情感预测模型；基于情感预测模型生成评价文本数据的情感预测结果。本申请还提供一种基于人工智能的情感预测装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，错误定位信息可存储于区块链中。本申请可应用于金融领域的客户情感识别场景，有效提升了进行客户情感分类的处理准确率。
Description
技术领域
本申请涉及人工智能开发技术领域与金融科技领域，尤其涉及基于人工智能的情感预测方法、装置、计算机设备及存储介质。
背景技术
在金融科技企业，例如保险公司、银行等往往具有进行客户情感分类的业务需求。客户情感分类旨在通过分析客户发表的对于不同产品的文本评论，来识别客户对不同保险产品和服务的态度和情感倾向。基于所识别的客户对不同保险产品和服务的情感反应，金融科技企业可以调整自己的营销策略，制定更加符合客户需求和情感倾向的产品和服务，从而提高保险产品销售效果。
现有技术中，金融科技企业通常采用基于拓扑图结构的深度图学习方法来进行客户情感分类的处理，然而这种处理方式通常假设所构建的图拓扑结构是完美的，忽略了一些潜在的拓扑结构关系，导致丢失了部分有价值的文本语义关系，从而降低了客户情感分类的准确率。
发明内容
本申请实施例的目的在于提出一种基于人工智能的情感预测方法、装置、计算机设备及存储介质，以解决现有的金融科技企业采用的客户情感分类的处理方式由于忽略了一些潜在的拓扑结构关系，导致丢失了部分有价值的文本语义关系，从而降低了客户情感分类的准确率的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于人工智能的情感预测方法，采用了如下所述的技术方案：
获取用户评价文本；
基于所述用户评价文本构建拓扑图；
通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵；
基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图；
基于所述初始模型内的预测层对所述特征表示矩阵进行预测处理得到对应的情感分类标签；
基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型；
基于所述情感预测模型对待处理的目标客户的评价文本数据进行预测处理，生成与所述评价文本数据对应的情感预测结果。
进一步的，所述获取用户评价文本的步骤，具体包括：
从预设的业务渠道获取文字评价信息；
对所述文字评价信息进行预处理，得到对应的第一文字信息；
对所述第一文字信息进行打标签处理，得到处理后的第二文字信息；
将所述第二文字信息作为所述用户评价文本。
进一步的，所述基于所述用户评价文本构建拓扑图的步骤，具体包括：
基于预设的滑动窗口机制对所述用户评价文本进行图构建处理，生成对应的拓扑结构图；
基于预设模型生成与所述用户评价文本中包含的各个节点一一对应的属性向量；
基于所述属性向量与所述拓扑结构图生成与所述用户评价文本对应的拓扑图。
进一步的，所述基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图的步骤，具体包括：
基于所述相似度计算器计算所述特征表示矩阵中包含的各个节点之间的相似度值；
获取预设的相似度阈值；
获取所述相似度值与所述相似度阈值之间的数值比较结果；
基于预设的处理规则，使用所述数值比较结果对所述拓扑图进行拓扑结构补齐处理，得到所述目标拓扑图。
进一步的，所述基于预设的处理规则，使用所述数值比较结果对所述拓扑图进行拓扑结构补齐处理，得到所述目标拓扑图的步骤，具体包括：
若所述数值比较结果为所述相似度值大于所述相似度阈值，判断与所述相似度值对应的两个节点是否存在连边；
若不存在连边，则在与所述相似度对应的两个节点之间添加一条连边；
若所述数值比较结果为所述相似性值小于所述相似度阈值，则不对与所述相似度对应的两个节点进行处理，以完成对于所述拓扑图的拓扑结构补齐处理，得到所述目标拓扑图。
进一步的，所述基于所述预测标签构建损失函数的步骤，具体包括：
获取所述用户评价文本的真实标签；
调用预设的函数公式；
基于函数公式对所述真实标签与所述情感分类标签进行损失函数构建处理，得到所述损失函数。
进一步的，在所述基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型的步骤之后，还包括：
确定与模型类型对应的目标存储介质；
在所述目标存储介质中构建与所述情感预测模型对应的目标存储区域；
基于所述目标存储区域对所述情感预测模型进行存储。
为了解决上述技术问题，本申请实施例还提供一种基于人工智能的情感预测装置，采用了如下所述的技术方案：
获取模块，用于获取用户评价文本；
构建模块，用于基于所述用户评价文本构建拓扑图；
第一处理模块，用于通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵；
第二处理模块，用于基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图；
第三处理模块，用于基于所述初始模型内的预测层对所述特征表示矩阵进行预测处理得到对应的情感分类标签；
训练模块，用于基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型；
预测模块，用于基于所述情感预测模型对待处理的目标客户的评价文本数据进行预测处理，生成与所述评价文本数据对应的情感预测结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
获取用户评价文本；
基于所述用户评价文本构建拓扑图；
通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵；
基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图；
基于所述初始模型内的预测层对所述特征表示矩阵进行预测处理得到对应的情感分类标签；
基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型；
基于所述情感预测模型对待处理的目标客户的评价文本数据进行预测处理，生成与所述评价文本数据对应的情感预测结果。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
获取用户评价文本；
基于所述用户评价文本构建拓扑图；
通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵；
基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图；
基于所述初始模型内的预测层对所述特征表示矩阵进行预测处理得到对应的情感分类标签；
基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型；
基于所述情感预测模型对待处理的目标客户的评价文本数据进行预测处理，生成与所述评价文本数据对应的情感预测结果。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例首先获取用户评价文本，并基于所述用户评价文本构建拓扑图；然后通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵；之后基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图；后续基于所述初始模型内的预测层对所述特征表示矩阵进行预测处理得到对应的情感分类标签；进一步基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型；最后基于所述情感预测模型对待处理的目标客户的评价文本数据进行预测处理，生成与所述评价文本数据对应的情感预测结果。本申请实施例在获取到用户评价文本后，首先将该用户评价文本建模为拓扑图的形式，并进一步初始模型内的图卷积网络对所述拓扑图进行处理以生成特征表示矩阵，以及基于初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理以得到对应的目标拓扑图，后续基于图神经网络和图结构迭代学习的策略，使用损失函数对所述初始模型进行迭代训练时生成情感预测模型，一方面可以优化得到最优的拓扑图结构，另一方面学习出高质量的节点低维表示，从而可以解决现有技术丢失了部分有价值的文本语义关系的问题，提高了迭代过程中所学习得到节点低维表示的表征能力，有效的提升了训练生成的情感预测模型在进行客户情感分类的处理上的准确率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于人工智能的情感预测方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的情感预测装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于人工智能的情感预测方法一般由服务器/终端设备执行，相应地，基于人工智能的情感预测装置一般设置于服务器/终端设备中。
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。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于人工智能的情感预测方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的基于人工智能的情感预测方法能够应用于任意一种需要进行客户情感分析的场景中，则该基于人工智能的情感预测方法能够应用于这些场景的产品中，例如，金融保险领域中的客户对于不同保险产品的情感倾向。所述的基于人工智能的情感预测方法，包括以下步骤：
步骤S201，获取用户评价文本。
在本实施例中，基于人工智能的情感预测方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取用户评价文本。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。在金融保险的产品推送的业务场景下，上述用户评价文本可包括用户发表的对于不同的金融产品的文本评论，上述金融产品可包括保险产品、交易产品、支付产品、等等。其中，上述获取用户评价文本的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S202，基于所述用户评价文本构建拓扑图。
在本实施例中，上述基于所述用户评价文本构建拓扑图的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S203，通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵。
在本实施例中，本步骤旨在为基于用户评价文本构建的每个拓扑图学习低维的特征向量表示。给定一个拓扑图Gi＝{V,E,X}，输入进初始模型内的图卷积网络中，可得到每个拓扑图Gi的节点的特征表示矩阵H。上述初始模型为预先构建的至少包含图卷积网络、相似度计算器、预测层的结构的模型。具体地，将构建的拓扑图Gi＝{V,E,X}输入至图卷积网络模型中，更新得到拓扑图中包含的节点的特征表示矩阵H＝{h1,h2,…,hn}。其中H的第i行向量hi代表节点vi的特征表示向量，如下公式所示：
其中，softmax()和ReLu()均代表激活函数。且D为邻接矩阵A的度矩阵。W(0)和W(1)为可学习的权重矩阵。
步骤S204，基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图。
在本实施例中，上述基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S205，基于所述初始模型内的预测层对所述特征表示矩阵进行预测处理得到对应的情感分类标签。
在本实施例中，通过将特征表示矩阵H输入至初始模型内的预测层，预测层通过公式来对所述特征表示矩阵进行预测处理以得到对应的情感分类标签。其中，σ为softmax激活函数，/>为预测得到的情感分类标签。MLP()为多层感知机。Mean()为平均池化操作，目的为输出得到图级别的向量表示。
步骤S206，基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型；
在本实施例中，在情感预测模型的训练过程中，通过迭代最小化上述损失函数，以继续迭代步骤S203与步骤S204，从而生成高质量的节点表示和拥有更完整结构的拓扑图。上述迭代条件具体可包括当两次迭代的损失函数差值小于阈值r，或者迭代此次超过阈值t。其中，对于阈值r与阈值t的具体取值不做限定，可根据实际的使用需求进行设置。上述基于所述预测标签构建损失函数的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S207，基于所述情感预测模型对待处理的目标客户的评价文本数据进行预测处理，生成与所述评价文本数据对应的情感预测结果。
在本实施例中，通过将待处理的目标客户的评价文本数据输入至情感预测模型内，通过该情感预测模型对待处理的目标客户的评价文本数据进行预测处理，输出与该评价文本数据对应的预测标签，即得到评价文本数据对应的目标客户的情感预测结果。
本申请首先获取用户评价文本，并基于所述用户评价文本构建拓扑图；然后通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵；之后基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图；后续基于所述初始模型内的预测层对所述特征表示矩阵进行预测处理得到对应的情感分类标签；进一步基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型；最后基于所述情感预测模型对待处理的目标客户的评价文本数据进行预测处理，生成与所述评价文本数据对应的情感预测结果。本申请在获取到用户评价文本后，首先将该用户评价文本建模为拓扑图的形式，并进一步初始模型内的图卷积网络对所述拓扑图进行处理以生成特征表示矩阵，以及基于初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理以得到对应的目标拓扑图，后续基于图神经网络和图结构迭代学习的策略，使用损失函数对所述初始模型进行迭代训练时生成情感预测模型，一方面可以优化得到最优的拓扑图结构，另一方面学习出高质量的节点低维表示，从而可以解决现有技术丢失了部分有价值的文本语义关系的问题，提高了迭代过程中所学习得到节点低维表示的表征能力，有效的提升了训练生成的情感预测模型在进行客户情感分类的处理上的准确率。通过应用本申请提出的基于人工智能的情感预测方法，有利于后续为金融科技企业及时了解客户情绪，制定符合客户心理需求的产品营销手段提供了有效的技术手段与理论指导。
在一些可选的实现方式中，步骤S201包括以下步骤：
从预设的业务渠道获取文字评价信息。
在本实施例中，在金融科技领域的应用场景下，上述业务渠道可包括金融科技企业，例如保险公司、银行等旗下的软件或平台。上述文字评价信息指用户在金融科技企业旗下的软件或平台上发布的文字评价。
对所述文字评价信息进行预处理，得到对应的第一文字信息。
在本实施例中，上述预处理可包括异常值处理与标准化处理。上述异常值处理。其中，上述异常值处理是指去除的文字评价信息中频率较低的词，以及标点符号、网址链接等。上述标准化处理可指将文字评价信息转化为应用于模型处理的标准格式。
对所述第一文字信息进行打标签处理，得到处理后的第二文字信息。
在本实施例中，上述打标签处理可采用机器自动打标签处理或人工打标签处理。标签内容可包括喜欢、厌恶、愤怒等标签。
将所述第二文字信息作为所述用户评价文本。
本申请通过从预设的业务渠道获取文字评价信息；然后对所述文字评价信息进行预处理，得到对应的第一文字信息；后续对所述第一文字信息进行打标签处理，得到处理后的第二文字信息，并将所述第二文字信息作为所述用户评价文本。本申请通过对从业务渠道获取的文字评价信息进行预处理与打标签处理，可以实现快速地构建出所需的用户评价文本，提高了用户评价文本的获取效率，保证了生成的用户评价文本的数据准确性与标准性。
在本实施例的一些可选的实现方式中，步骤S202包括以下步骤：
基于预设的滑动窗口机制对所述用户评价文本进行图构建处理，生成对应的拓扑结构图。
在本实施例中，可通过利用滑动窗口机制，建立拓扑结构图。具体地，对于每一个用户评价文本，将用户评价文本中的每个单词视为一个节点，对位于同一滑动窗口内的节点之间两两建立连边，以完成对于点间初始连边的建立，从而得到一个与用户评价文本对应的基于语义信息的拓扑结构图。
基于预设模型生成与所述用户评价文本中包含的各个节点一一对应的属性向量。
在本实施例中，上述预设模型具体可为Transformer模型。通过将用户评价文本输入至Transformer模型，使用Transformer模型生成与该用户评价文本中包含的各个单词对应的向量表示，并以此作为对应每个节点的属性向量。
基于所述属性向量与所述拓扑结构图生成与所述用户评价文本对应的拓扑图。
在本实施例中，基于用户对产品发表的用户评价文本di，构建初始的拓扑图结构Gi＝{V,E,X}。其中，V＝{v1,v2,…,vn}表示节点集合，即对于拥有n个单词的文本，其每个单词均视为一个节点。E代表节点间的连边集合。对于节点间初始连边的建立，采用常用的滑动窗口机制来构建。X＝{x1,x2,…,xn}为节点属性的集合，即xi表示节点vi的属性向量。对于xi的构建，通过将用户评价文本di输入进标准的Transformer模型，可得到每个节点的属性向量xi。对于每个拓扑图，用矩阵A表示其邻接矩阵。其中，如果节点vi和节点vj之间存在连边，则令邻接矩阵A的第i行第j列为1，即Aij＝1，否则Aij＝0。
本申请通过基于预设的滑动窗口机制对所述用户评价文本进行图构建处理，生成对应的拓扑结构图；然后基于预设模型生成与所述用户评价文本中包含的各个节点一一对应的属性向量；后续基于所述属性向量与所述拓扑结构图生成与所述用户评价文本对应的拓扑图。本申请基于滑动窗口机制以及预设模型的使用对用户评价文本进行处理，可实现快速地生成与所述用户评价文本对应的拓扑图，提高了拓扑图的生成效率。
在一些可选的实现方式中，步骤S204包括以下步骤：
基于所述相似度计算器计算所述特征表示矩阵中包含的各个节点之间的相似度值。
在本实施例中，上述相似度计算器具体可采用基于余弦算法的余弦相似度计算器。上述相似度值是指特征表示矩阵中任意两个节点vi和节点vj之间的余弦相似性值Sij。
获取预设的相似度阈值。
在本实施例中，对于上述相似度阈值的取值不做具体限定，可根据实际的业务使用需求进行设置，例如可设置为0.5。
获取所述相似度值与所述相似度阈值之间的数值比较结果。
在本实施例中，上述数值比较结果可包括所述相似度值大于所述相似度阈值，或者所述相似度值小于所述相似度阈值。
基于预设的处理规则，使用所述数值比较结果对所述拓扑图进行拓扑结构补齐处理，得到所述目标拓扑图。
在本实施例中，上述基于预设的处理规则，使用所述数值比较结果对所述拓扑图进行拓扑结构补齐处理，得到所述目标拓扑图的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。本申请基于相似度计算器、相似度阈值以及处理规则的使用，可以实现快速准确地对所述拓扑图进行拓扑结构补齐处理以得到所述目标拓扑图，提高了目标拓扑图的生成效率，保证了生成的目标拓扑图的准确度。
本申请通过基于所述相似度计算器计算所述特征表示矩阵中包含的各个节点之间的相似度值；然后获取预设的相似度阈值；之后获取所述相似度值与所述相似度阈值之间的数值比较结果；后续基于预设的处理规则，使用所述数值比较结果对所述拓扑图进行拓扑结构补齐处理，得到所述目标拓扑图。
在一些可选的实现方式中，所述基于预设的处理规则，使用所述数值比较结果对所述拓扑图进行拓扑结构补齐处理，得到所述目标拓扑图，包括以下步骤：
若所述数值比较结果为所述相似度值大于所述相似度阈值，判断与所述相似度值对应的两个节点是否存在连边。
在本实施例中，假如两个节点是指节点vi和节点vj，则判断与所述相似度值对应的两个节点是否存在连边是指判断是否节点vi和节点vj之间的Aij＝0是否成立。
若不存在连边，则在与所述相似度对应的两个节点之间添加一条连边。
在本实施例中，通过在与所述相似度对应的两个节点之间添加一条连边，可以更新得到一个具有更加丰富结构的拓扑图结构。后续基于得到的目标拓扑图的使用可以有效解决现有方法丢失了部分有价值的文本语义关系的技术问题，提高了迭代过程中所学习得到节点低维表示的表征能力，进而提高了客户情感分类的准确率。
若所述数值比较结果为所述相似性值小于所述相似度阈值，则不对与所述相似度对应的两个节点进行处理，以完成对于所述拓扑图的拓扑结构补齐处理，得到所述目标拓扑图。
在本实施例中，拓扑图的拓扑结构可根据所学习到的节点的特征表示矩阵H进行更新。而经过补全更新后得到的图结构将作为下一次迭代优化中通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵的步骤S203的输入，如此反复迭代优化S203和S204，从而最终输出高质量的节点表示与拥有更完整的拓扑结构的拓扑图。
本申请当检测出若所述数值比较结果为所述相似度值大于所述相似度阈值，判断与所述相似度值对应的两个节点是否存在连边；若不存在连边，则在与所述相似度对应的两个节点之间添加一条连边；后续若所述数值比较结果为所述相似性值小于所述相似度阈值，则不对与所述相似度对应的两个节点进行处理，以完成对于所述拓扑图的拓扑结构补齐处理，得到所述目标拓扑图。本申请通过基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，可以实现快速准确地得到相应的目标拓扑图，有利于后续基于得到的目标拓扑图来有效解决现有方法丢失了部分有价值的文本语义关系的技术问题，提高了迭代过程中所学习得到节点低维表示的表征能力，进而提高了后续使用情感预测模型进行客户情感分类的准确率。
在本实施例的一些可选的实现方式中，步骤S206中的所述基于所述预测标签构建损失函数，包括以下步骤：
获取所述用户评价文本的真实标签。
在本实施例中，在采集用户评价文本时，预先会对该用户评价文本进行打标签处理，以对该用户评价文本进行相关的真实标签的标注。
调用预设的函数公式。
在本实施例中，上述函数公式具体为交叉熵损失函数CrossN()。
基于函数公式对所述真实标签与所述情感分类标签进行损失函数构建处理，得到所述损失函数。
在本实施例中，上述损失函数具体为其中，y为用户评价文本的真实标签，/>为用户评价文本的情感分类标签，CrossN()为交叉熵损失函数。
本申请通过获取所述用户评价文本的真实标签；然后调用预设的函数公式；后续基于函数公式对所述真实标签与所述情感分类标签进行损失函数构建处理，可以实现快速准确地生成相应的损失函数，有利于后续基于损失函数的使用来快速地训练出所需的情感预测模型。
在本实施例的一些可选的实现方式中，在步骤S206之后，上述电子设备还可以执行以下步骤：
确定与模型类型对应的目标存储介质。
在本实施例中，对于不同的数据类型，预先设置有与各种数据类型一一匹配的数据存储方式。示例性的，图谱类型的图谱数据对应的介质存储方式为云盘存储，模型类型的模型数据对应的介质存储方式为区块链存储，音视频类型的数据对应的介质存储方式为数据库存储，等等。
在所述目标存储介质中构建与所述情感预测模型对应的目标存储区域。
在本实施例中，上述目标存储区域可为目标存储介质中的任意一个具有存储功能的区域，且目标存储区域可以以情感预测模型作为名称进行命名，以建立目标存储区域与情感预测模型之间的数据映射关系。
基于所述目标存储区域对所述情感预测模型进行存储。
本申请通过确定与模型类型对应的目标存储介质；然后在所述目标存储介质中构建与所述情感预测模型对应的目标存储区域；后续基于所述目标存储区域对所述情感预测模型进行存储。通过确定与模型类型对应的目标存储介质，进而使用目标存储介质内构建的目标存储区域对情感预测模型进行存储，有效地提高了情感预测模型的存储规范性与存储智能性，有利于后续能够基于目标存储介质的使用来实现快速的获取到所需的情感预测模型。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
需要强调的是，为进一步保证上述情感预测模型的私密和安全性，上述情感预测模型还可以存储于一区块链的节点中。
本申请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。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的情感预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于人工智能的情感预测装置300包括：获取模块301、构建模块302、第一处理模块303、第二处理模块304、第三处理模块305、训练模块306以及预测模块307。其中：
获取模块301，用于获取用户评价文本；
构建模块302，用于基于所述用户评价文本构建拓扑图；
第一处理模块303，用于通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵；
第二处理模块304，用于基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图；
第三处理模块305，用于基于所述初始模型内的预测层对所述特征表示矩阵进行预测处理得到对应的情感分类标签；
训练模块306，用于基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型；
预测模块307，用于基于所述情感预测模型对待处理的目标客户的评价文本数据进行预测处理，生成与所述评价文本数据对应的情感预测结果。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的情感预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，获取模块301包括：
第一获取子模块，用于从预设的业务渠道获取文字评价信息；
第一处理子模块，用于对所述文字评价信息进行预处理，得到对应的第一文字信息；
第二处理子模块，用于对所述第一文字信息进行打标签处理，得到处理后的第二文字信息；
确定子模块，用于将所述第二文字信息作为所述用户评价文本。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的情感预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,构建模块302包括：
第三处理子模块，用于基于预设的滑动窗口机制对所述用户评价文本进行图构建处理，生成对应的拓扑结构图；
第一生成子模块，用于基于预设模型生成与所述用户评价文本中包含的各个节点一一对应的属性向量；
第二生成子模块，用于基于所述属性向量与所述拓扑结构图生成与所述用户评价文本对应的拓扑图。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的情感预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二处理模块304包括：
计算子模块，用于基于所述相似度计算器计算所述特征表示矩阵中包含的各个节点之间的相似度值；
第二获取子模块，用于获取预设的相似度阈值；
第三获取子模块，用于获取所述相似度值与所述相似度阈值之间的数值比较结果；
第四处理子模块，用于基于预设的处理规则，使用所述数值比较结果对所述拓扑图进行拓扑结构补齐处理，得到所述目标拓扑图。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的情感预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第四处理子模块包括：
判断单元，用于若所述数值比较结果为所述相似度值大于所述相似度阈值，判断与所述相似度值对应的两个节点是否存在连边；
第一处理单元，用于若不存在连边，则在与所述相似度对应的两个节点之间添加一条连边；
第二处理单元，用于若所述数值比较结果为所述相似性值小于所述相似度阈值，则不对与所述相似度对应的两个节点进行处理，以完成对于所述拓扑图的拓扑结构补齐处理，得到所述目标拓扑图。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的情感预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，训练模块306包括：
第四获取子模块，用于获取所述用户评价文本的真实标签；
调用子模块，用于调用预设的函数公式；
构建子模块，用于基于函数公式对所述真实标签与所述情感分类标签进行损失函数构建处理，得到所述损失函数。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的情感预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的情感预测装置还包括：
确定模块，用于确定与模型类型对应的目标存储介质；
生成模块，用于在所述目标存储介质中构建与所述情感预测模型对应的目标存储区域；
存储模块，用于基于所述目标存储区域对所述情感预测模型进行存储。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的情感预测方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的情感预测方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的情感预测方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先获取用户评价文本，并基于所述用户评价文本构建拓扑图；然后通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵；之后基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图；后续基于所述初始模型内的预测层对所述特征表示矩阵进行预测处理得到对应的情感分类标签；进一步基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型；最后基于所述情感预测模型对待处理的目标客户的评价文本数据进行预测处理，生成与所述评价文本数据对应的情感预测结果。本申请实施例在获取到用户评价文本后，首先将该用户评价文本建模为拓扑图的形式，并进一步初始模型内的图卷积网络对所述拓扑图进行处理以生成特征表示矩阵，以及基于初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理以得到对应的目标拓扑图，后续基于图神经网络和图结构迭代学习的策略，使用损失函数对所述初始模型进行迭代训练时生成情感预测模型，一方面可以优化得到最优的拓扑图结构，另一方面学习出高质量的节点低维表示，从而可以解决现有技术丢失了部分有价值的文本语义关系的问题，提高了迭代过程中所学习得到节点低维表示的表征能力，有效的提升了训练生成的情感预测模型在进行客户情感分类的处理上的准确率。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的情感预测方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先获取用户评价文本，并基于所述用户评价文本构建拓扑图；然后通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵；之后基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图；后续基于所述初始模型内的预测层对所述特征表示矩阵进行预测处理得到对应的情感分类标签；进一步基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型；最后基于所述情感预测模型对待处理的目标客户的评价文本数据进行预测处理，生成与所述评价文本数据对应的情感预测结果。本申请实施例在获取到用户评价文本后，首先将该用户评价文本建模为拓扑图的形式，并进一步初始模型内的图卷积网络对所述拓扑图进行处理以生成特征表示矩阵，以及基于初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理以得到对应的目标拓扑图，后续基于图神经网络和图结构迭代学习的策略，使用损失函数对所述初始模型进行迭代训练时生成情感预测模型，一方面可以优化得到最优的拓扑图结构，另一方面学习出高质量的节点低维表示，从而可以解决现有技术丢失了部分有价值的文本语义关系的问题，提高了迭代过程中所学习得到节点低维表示的表征能力，有效的提升了训练生成的情感预测模型在进行客户情感分类的处理上的准确率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于人工智能的情感预测方法，其特征在于，包括下述步骤：
获取用户评价文本；
基于所述用户评价文本构建拓扑图；
通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵；
基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图；
基于所述初始模型内的预测层对所述特征表示矩阵进行预测处理得到对应的情感分类标签；
基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型；
基于所述情感预测模型对待处理的目标客户的评价文本数据进行预测处理，生成与所述评价文本数据对应的情感预测结果。
2.根据权利要求1所述的基于人工智能的情感预测方法，其特征在于，所述获取用户评价文本的步骤，具体包括：
从预设的业务渠道获取文字评价信息；
对所述文字评价信息进行预处理，得到对应的第一文字信息；
对所述第一文字信息进行打标签处理，得到处理后的第二文字信息；
将所述第二文字信息作为所述用户评价文本。
3.根据权利要求1所述的基于人工智能的情感预测方法，其特征在于，所述基于所述用户评价文本构建拓扑图的步骤，具体包括：
基于预设的滑动窗口机制对所述用户评价文本进行图构建处理，生成对应的拓扑结构图；
基于预设模型生成与所述用户评价文本中包含的各个节点一一对应的属性向量；
基于所述属性向量与所述拓扑结构图生成与所述用户评价文本对应的拓扑图。
4.根据权利要求1所述的基于人工智能的情感预测方法，其特征在于，所述基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图的步骤，具体包括：
基于所述相似度计算器计算所述特征表示矩阵中包含的各个节点之间的相似度值；
获取预设的相似度阈值；
获取所述相似度值与所述相似度阈值之间的数值比较结果；
基于预设的处理规则，使用所述数值比较结果对所述拓扑图进行拓扑结构补齐处理，得到所述目标拓扑图。
5.根据权利要求4所述的基于人工智能的情感预测方法，其特征在于，所述基于预设的处理规则，使用所述数值比较结果对所述拓扑图进行拓扑结构补齐处理，得到所述目标拓扑图的步骤，具体包括：
若所述数值比较结果为所述相似度值大于所述相似度阈值，判断与所述相似度值对应的两个节点是否存在连边；
若不存在连边，则在与所述相似度对应的两个节点之间添加一条连边；
若所述数值比较结果为所述相似性值小于所述相似度阈值，则不对与所述相似度对应的两个节点进行处理，以完成对于所述拓扑图的拓扑结构补齐处理，得到所述目标拓扑图。
6.根据权利要求1所述的基于人工智能的情感预测方法，其特征在于，所述基于所述预测标签构建损失函数的步骤，具体包括：
获取所述用户评价文本的真实标签；
调用预设的函数公式；
基于函数公式对所述真实标签与所述情感分类标签进行损失函数构建处理，得到所述损失函数。
7.根据权利要求1所述的基于人工智能的情感预测方法，其特征在于，在所述基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型的步骤之后，还包括：
确定与模型类型对应的目标存储介质；
在所述目标存储介质中构建与所述情感预测模型对应的目标存储区域；
基于所述目标存储区域对所述情感预测模型进行存储。
8.一种基于人工智能的情感预测装置，其特征在于，包括：
获取模块，用于获取用户评价文本；
构建模块，用于基于所述用户评价文本构建拓扑图；
第一处理模块，用于通过预设的初始模型内的图卷积网络对所述拓扑图进行处理，得到所述拓扑图中包含的节点的特征表示矩阵；
第二处理模块，用于基于所述特征表示矩阵以及所述初始模型内的相似度计算器对所述拓扑图进行拓扑结构补齐处理，得到对应的目标拓扑图；
第三处理模块，用于基于所述初始模型内的预测层对所述特征表示矩阵进行预测处理得到对应的情感分类标签；
训练模块，用于基于所述预测标签构建损失函数，并基于所述损失函数对所述初始模型进行迭代训练直至满足预设的迭代条件，得到训练好的情感预测模型；
预测模块，用于基于所述情感预测模型对待处理的目标客户的评价文本数据进行预测处理，生成与所述评价文本数据对应的情感预测结果。
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可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的情感预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的情感预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311149482.2A CN117235257A (zh) | 2023-09-06 | 2023-09-06 | 基于人工智能的情感预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311149482.2A CN117235257A (zh) | 2023-09-06 | 2023-09-06 | 基于人工智能的情感预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117235257A true CN117235257A (zh) | 2023-12-15 |
Family
ID=89095939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311149482.2A Pending CN117235257A (zh) | 2023-09-06 | 2023-09-06 | 基于人工智能的情感预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117235257A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118410461A (zh) * | 2024-07-04 | 2024-07-30 | 中国烟草总公司四川省公司 | 基于机器学习的财务数据的信息提取系统、税利预测系统 |
| CN119007262A (zh) * | 2024-07-29 | 2024-11-22 | 西交利物浦大学 | 一种表情包图片处理方法、装置、设备以及存储介质 |
-
2023
- 2023-09-06 CN CN202311149482.2A patent/CN117235257A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118410461A (zh) * | 2024-07-04 | 2024-07-30 | 中国烟草总公司四川省公司 | 基于机器学习的财务数据的信息提取系统、税利预测系统 |
| CN119007262A (zh) * | 2024-07-29 | 2024-11-22 | 西交利物浦大学 | 一种表情包图片处理方法、装置、设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021120677A1 (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
| CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
| CN112863683A (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 | |
| CN117235257A (zh) | 基于人工智能的情感预测方法、装置、设备及存储介质 | |
| CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
| CN112861662B (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
| CN114117048A (zh) | 一种文本分类的方法、装置、计算机设备及存储介质 | |
| CN119006144A (zh) | 一种业务项目管理方法、装置、计算机设备及存储介质 | |
| CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
| CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
| CN115730597A (zh) | 多级语义意图识别方法及其相关设备 | |
| CN119179958A (zh) | 理赔风险模型处理方法、装置、计算机设备及存储介质 | |
| CN116933869A (zh) | 图谱构建方法、装置、计算机设备及存储介质 | |
| CN116563034A (zh) | 基于人工智能的购买预测方法、装置、设备及存储介质 | |
| CN113722437B (zh) | 基于人工智能的用户标签识别方法、装置、设备及介质 | |
| CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
| CN117236707A (zh) | 一种资产优化配置方法、装置、计算机设备及存储介质 | |
| CN116681467A (zh) | 基于改进woa算法的销量预测方法及其相关设备 | |
| CN116955611A (zh) | 基于人工智能的谣言检测方法、装置、设备及存储介质 | |
| CN118228079B (zh) | 模糊超图生成方法、装置、计算机设备及存储介质 | |
| CN117011874A (zh) | 基于人工智能的文本检测方法、装置、设备及存储介质 | |
| CN116680612A (zh) | 基于人工智能的客户分类方法、装置、设备及存储介质 | |
| CN117034114A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
| CN119066241A (zh) | 基于人工智能的推荐方法、装置、计算机设备及存储介质 | |
| CN117709801A (zh) | 客户数据处理方法、装置、计算机设备及存储介质 |
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 |