JP7246437B2 - 対話感情スタイル予測方法、装置、電子機器、記憶媒体及びプログラム - Google Patents

Description

本願は、人工知能分野に関し、特に自然言語処理、知能音声および深度学習分野の対話感情スタイル予測方法、装置、電子機器および記憶媒体に関する。

複数の感情スタイルの音声小説は、市場においてますます注目を集めており、相応的には、小説における各対話の感情スタイルをマーク（予測）する必要がある。

現在、通常、対話のコンテキストから直接に感情スタイルを抽出する方式を採用しており、正確性が悪い。

例えば、
“…
「私も悲しい。」
張三は、悪意を持って、悲しい李四を慰めている。
…”というテキストについて、
現在の処理方式に従って、「私も悲しい」「慰めている」「悲しい李四」のいずれかから感情のスタイルを誤って直接に抽出することが容易であり、予測結果が不正確になる。

本願は、対話感情スタイル予測方法、装置、電子装置及び記憶媒体を提供している。

対話感情スタイル予測方法であって、
処理待ちの対話が存在するテキストから、前記対話のコンテキストを取得すると、
前記対話の、対話の発話者であるキャラクタのキャラクタ情報を取得することと、
前記コンテキストおよび前記キャラクタ情報から、前記対話の感情スタイルを予測することと、を含む。

対話感情スタイル予測装置であって、
処理待ちの対話が存在するテキストから、前記対話のコンテキストを取得する第１の取得モジュールと、
前記対話の、対話の発話者であるキャラクタのキャラクタ情報を取得する第２の取得モジュールと、
前記コンテキストおよび前記キャラクタ情報から、前記対話の感情スタイルを予測する予測モジュールと、を含む。

電子機器であって、
少なくとも１つのプロセッサと、
前記少なくとも１つのプロセッサに通信可能に接続されたメモリと、を含み、
前記メモリは、前記少なくとも１つのプロセッサによって実行可能な命令を記憶し、前記命令は、前記少なくとも１つのプロセッサが上記に記載の方法を実行するように、前記少なくとも１つのプロセッサによって実行される。

コンピュータ命令を記憶した非一時的なコンピュータ読み取り可能な記憶媒体であって、
前記コンピュータ命令は、前記コンピュータに上記に記載の方法を実行させる。

コンピュータに実行される時に上記の方法を実現するコンピュータプログラムである。

上記出願における１つの実施例は、対話のコンテキストおよび対話のキャラクタ情報等を組み合わせて対話の感情スタイルを予測し、予測結果の正確性を向上させることができるという長所または有益な効果を有している。

このセクションに記載された内容は、本開示の実施例の主要な特徴または重要な特徴を特定することを意図しておらず、本開示の範囲を限定するものでもないことを理解されたい。本開示の他の特徴は、以下の明細書によって容易に理解されるであろう。

図面は、本技術案をよりよく理解するためのものであり、本発明を限定するものではない。
本発明に係る対話感情スタイル予測方法の第一実施例のフローチャートである。 本発明に係る対話感情スタイル予測方法の第二実施例のフローチャートである。 本発明に係る対話感情スタイル予測装置の実施例の構造構成の模式図である。 本発明の実施例に係る方法の電子機器のブロック図である。

以下、添付の図面を組み合わせ、本開示の例示的な実施例を説明し、理解を容易にするために本開示の実施例の様々な詳細を含むが、それらは単に例示的なものとみなされるべきである。したがって、当業者は、本開示の範囲および精神から逸脱することなく、本明細書に記載された実施例に対して様々な変更および修正を行うことができることを認識するであろう。同様に、明確化および簡潔化のために、以下の説明では、周知の機能及び構成についての記載は省略される。

なお、ここでの「及び／又は」という用語は、単に関連対象を説明する関連関係であり、３つの関係を示すことができる。例えば、Ａ及び／又はＢは、Ａが単独で存在する場合、ＡとＢが同時に存在する場合、Ｂが単独で存在する場合という３つの場合を示している。なお、本明細書における「／」は、一般的に、前後の関係対象が「または」の関係であることを示している。

図１は、本願に係る対話感情スタイル予測方法の第一実施例のフローチャートである。図１に示すように、以下の具体的な実施形態が含まれる。

ステップ１０１では、処理待ちの対話が存在するテキストから、対話のコンテキストを取得する。

ステップ１０２では、対話のキャラクタ情報を取得し、キャラクタが対話の発話者である。

ステップ１０３では、取得したコンテキストおよびキャラクタ情報から、対話の感情スタイルを予測する。

上記方法実施例では、対話のコンテキストおよび対話のキャラクタ情報などを組み合わせて対話の感情スタイルを予測することができ、これにより従来方式に比べて予測結果の正確性が向上することが分かる。また、前記テキストは、任意の形態のテキストであってもよく、例えば、小説、ニュース、台本などであってもよく、汎用性を有する。

実際の応用では、処理待ちのテキスト、すなわち、処理待ちの対話が存在するテキストに対して、テキストにおける対話をトラバースし、トラバースされた各対話をそれぞれ処理待ちの対話とすることができる。前記トラバースが具体的にどのような順序で行われるかは特に限定されないが、例えば、最初から最後までの順序でトラバースすることができる。

また、以下の方式によってテキストにおける対話を識別することができる：引用符で囲まれたテキスト内容を対話とし、および／または、テキスト内容のいずれかの文について、予めトレーニングされた分類モデルを用いて当該テキスト内容が対話であるか否かを判定する。

上述した２つの対話識別方式は、個別に使用されてもよく、組み合わせて使用されてもよい。例えば、引用符で囲まれたあるテキスト内容に対して、さらに分類モデルを用いて当該テキスト内容が対話であるか否かを判定してもよく、二重識別により、識別結果の正確性を向上させることができる。

上記した対話認識方式は、例示に過ぎず、本願の技術案を限定するものではなく、実際の応用において、任意の実行可能な実現方式を採用することができる。例えば、前記引用符は、対話を示す他の形態の符号等であってもよい。

処理待ちの対話について、対話が存在するテキストから、対話のコンテキストを取得することができる。如何にして対話のコンテキストを取得するかの方法についても限定しない。例えば、対話の前のＭ文のテキスト内容(Ｍ文)と対話の後のＮ文のテキスト内容を、それぞれ対話の前文および後文として、対話のコンテキストを取得することができ、ＭおよびＮは、いずれも正の整数であり、その数値が同じであってもよく、異なってもよい。具体的な数値は、実際な需要に応じて定められてもよい。対話の前文、対話、および対話の後文は、コンテンツが連続するテキスト内容を構成する。

対話のコンテキストに加えて、対話のキャラクタ情報、すなわち、対話の発話者情報をさらに取得してもよい。例えば、人工的にマークした対話のキャラクタ情報を取得したり、予めトレーニングされたキャラクタ予測モデルを用いて予測した対話のキャラクタ情報を取得することができる。具体的にどのような方式を採用するかは、実際な需要に応じて定められ、柔軟で便利である。但し、人件費等を削減する観点からは、後者の方式を採用することが好ましい。

例えば、
“…
「私も悲しい。」
張三は、悪意を持って、悲しい李四を慰めている。
…”というテキストについて、
その中の「私も悲しい」対話に関し、対応するキャラクタ情報が「張三」である。

キャラクタ予測モデルは、予めトレーニングされるものであり、当該モデルによって、異なる対話に対応するキャラクタ情報を予測することができる。

いずれの方式によっても、対話のキャラクタ情報を取得した後、さらに、取得したコンテキストおよびキャラクタ情報から、対話の感情スタイルを予測することができる。

具体的には、対話のコンテキスト、対話のキャラクタ情報および対話を含む入力情報を構築し、入力情報を予めトレーニングされた感情スタイル予測モデルに入力することで、予測された対話の感情スタイルを取得することができる。

入力情報の具体的な形式が限定されない。例えば、上述した「私も悲しい」という対話について、対話の前文、対話および対話の後文からなるテキスト内容を取得し、所定の方式に従って、「張三」というキャラクタ情報（通常、対話のコンテキストに出現する）をマークし、対話のコンテキスト、対話のキャラクタ情報及び対話を含む入力情報を取得することができる。

前記所定の方式が具体的にどのような方式であるかも同様に限定されない。例えば、「張三」の位置を特定してマークしたり、「張三」の前後にそれぞれ特定の文字を挿入するなどしてもよい。

入力情報が得られた後、それを感情スタイル予測モデルに入力することで、予測された対話の感情スタイルを取得することができる。感情スタイル予測モデルは、対話が異なる感情スタイルに属する確率値をそれぞれ算出することができ、値が最も大きい確率値に対応する感情スタイルを、予測された対話の感情スタイルとすることができる。

従来の方式に比べて、本願に記載の方式により、モデルがより多くの情報を取得することができ、例えば、発話者が「張三」であると判定した場合、モデルは、「張三」付近のコンテキストにさらに集中し、「悪意を持つ」から感情スタイルを抽出する確率を高くし、予測された感情スタイルの正確性などを向上させることができる。

前述したように、感情スタイル予測モデルは、予めトレーニングされたものであってもよい。具体的には、トレーニングサンプルを構築することができ、各トレーニングサンプルはそれぞれテキストにおける１つの対話に対応することができ、対話に対応する入力情報及びラベルを含むことができ、ラベルは対話の感情スタイルであり、対話に対応する入力情報は、前述した対話のコンテキスト、対話のキャラクタ情報及び対話を含む入力情報であり、さらにトレーニングサンプルを用いて感情スタイル予測モデルをトレーニングして取得することができる。

以上の説明に基づいて、図２は、本願に係る対話感情スタイル予測方法の第二実施例のフローチャートである。図２に示すように、以下の具体的な実現形態が含まれる。

ステップ２０１では、最初から最後までの順序で小説における対話をトラバースする。

本実施例では、仮に処理待ちのテキストを小説とする。

なお、引用符で囲まれたテキスト内容を対話とし、および／または、テキスト内容のいずれかの文について、予めトレーニングされた分類モデルを用いて当該テキスト内容が対話であるかどうかを判定してもよい。

ステップ２０２では、トラバースされた各対話に対して、２０２～２０７で示す処理をそれぞれ行う。

ステップ２０３では、対話のコンテキストを取得する。

例えば、対話の前のＭ文のテキスト内容と、対話の後のＮ文のテキスト内容とを、それぞれ対話の前文および後文とし、対話のコンテキストを取得することができ、ＭおよびＮは、いずれも正の整数であり、その数値が同じであってもよく、異なってもよい。

ステップ２０４では、対話のキャラクタ情報を取得し、キャラクタは対話の発話者である。

例えば、人工的にマークした対話のキャラクタ情報を取得したり、予めトレーニングされたキャラクタ予測モデルを用いて予測した対話のキャラクタ情報を取得することができる。

ステップ２０５では、対話のコンテキスト、対話のキャラクタ情報及び対話を含む入力情報を構築する。

仮に、キャラクタ情報が対話のコンテキストに存在する場合、対話の前文、対話、及び対話の後文からなるテキスト内容を取得し、所定の方式でその中のキャラクタ情報をマークし、対話のコンテキスト、対話のキャラクタ情報及び対話を含む入力情報を取得することができる。

ステップ２０６では、入力情報を予めトレーニングされた感情スタイル予測モデルに入力し、予測された対話の感情スタイルを取得する。

トレーニングサンプルを構築することができ、各トレーニングサンプルはそれぞれテキストにおける１つの対話に対応することができ、対話に対応する入力情報及びラベルを含むことができ、ラベルは対話の感情スタイルであり、さらにトレーニングサンプルを用いて感情スタイル予測モデルをトレーニングして取得することができる。

ステップ２０７では、対話に対して予測された感情スタイルをマークする。

ステップ２０８では、次の対話が存在するか否かを判定し、存在すれば、次の対話についてステップ２０３を繰り返し、存在しなければ、ステップ２０９を実行する。

ステップ２０９では、マークされた小説を出力し、フローを終了する。

上記方法実施例では、各対話に対して、そのキャラクタ情報を取得し、コンテキストと共に入力情報を構築することで、すなわち、対話のキャラクタ情報をモデルの入力に加えることで、予測結果の正確性を向上させ、且つ、非常に高速効率で、通常数分だけで、千章の小説のマークを完了することができ、工業化された対話感情スタイル予測技術案である。

なお、前述の各方法実施例について、説明を簡単にするために、それらを一連の動作の組み合わせとして記述したが、当業者であれば、本願が、記述された動作の順序によって限定されないことを理解すべきである。それは、本願によれば、いくつかのステップが他の順序で、または同時に行われることができるためである。そして、当業者であれば、本明細書に記載された実施例が好ましい実施例であり、係る動作及びモジュールが必ずしも本願に必要ではないことを理解するであろう。なお、ある実施例において詳述されていない部分は、他の実施例における関連説明を参照することができる。

以上が方法実施例についての説明であるが、以下、装置実施例によって、本願に係る技術案をさらに説明する。

図３は、本願に係る対話感情スタイル予測装置３０の実施例の構造構成の模式図である。図３に示すように、第一取得モジュール３０１、第二取得モジュール３０２および予測モジュール３０３を含む。

第一取得モジュール３０１は、処理待ちの対話が存在するテキストから、対話のコンテキストを取得する。

第二取得モジュール３０２は、対話のキャラクタ情報を取得し、キャラクタが対話の発話者である。

予測モジュール３０３は、取得したコンテキストとキャラクタ情報から、対話の感情スタイルを予測する。

第一取得モジュール３０１は、テキストにおける対話をトラバースし、トラバースされた各対話をそれぞれ処理待ちの対話とすることができる。前記トラバースが具体的にどのような順序で行われるかは特に限定されないが、例えば、最初から最後までの順序でトラバースすることができる。

第一取得モジュール３０１は、以下の方式によってテキストにおける対話を識別することができる：引用符で囲まれたテキスト内容を対話とし、および／または、テキスト内容のいずれかの文について、予めトレーニングされた分類モデルを用いて当該テキスト内容が対話であるか否かを判定する。上述した２つの対話識別方式は、個別に使用されてもよく、組み合わせて使用されてもよい。例えば、引用符で囲まれたあるあるテキスト内容に対して、さらに分類モデルを用いて当該テキスト内容が対話であるか否かを判定する。

なお、処理待ちの対話について、第一取得モジュール３０１は、対話の前のＭ文のテキスト内容と対話の後のＮ文のテキスト内容を、それぞれ対話の前文および後文として、対話のコンテキストを取得することができ、ＭおよびＮは、いずれも正の整数であり、その数値が同じであってもよく、異なってもよい。

対話のキャラクタ情報を取得する場合、第二取得モジュール３０２は、人工的にマークした対話のキャラクタ情報を取得したり、予めトレーニングされたキャラクタ予測モデルを用いて予測した対話のキャラクタ情報を取得することができる。

さらに、対話のコンテキストおよびキャラクタ情報を取得した後に、予測モジュール３０３は、対話のコンテキストおよびキャラクタ情報から、対話の感情スタイルを予測することができる。具体的には、対話のコンテキスト、対話のキャラクタ情報および対話を含む入力情報を構築し、入力情報を予めトレーニングされた感情スタイル予測モデルに入力することで、予測された対話の感情スタイルを取得することができる。

例えば、仮に、キャラクタ情報が対話のコンテキストに存在する場合、対話の前文、対話、及び対話の後文からなるテキスト内容を取得し、所定の方式でその中のキャラクタ情報をマークし、対話のコンテキスト、対話のキャラクタ情報及び対話を含む入力情報を取得することができる。

相応的には、図３に示す装置は、トレーニングサンプルを構築するための前処理モジュール３００をさらに含むことができ、各トレーニングサンプルはそれぞれテキストにおける１つの対話に対応することができ、対話に対応する入力情報及びラベルを含むことができ、ラベルは対話の感情スタイルであり、トレーニングサンプルを用いて感情スタイル予測モデルをトレーニングして取得することができる。

図３に示す装置実施例の具体的な動作フローは、前述の方法実施例に関する説明を参照し、ここでは贅言しない。

要するに、本願の装置実施例における技術案によれば、対話のコンテキスト及び対話のキャラクタ情報等を組み合わせて、対話の感情スタイルを予測することができ、予測結果の正確性等を向上させることができる。

本出願に記載の技術案は、人工知能分野に適用でき、特に自然言語処理、知能音声及び深度学習等の分野に関する。

人工知能は、コンピュータに人の思考過程や知能行為（例えば、学習、推論、思考、計画など）を模倣させる研究科であり、ハードウェア的な技術とともにソフトウェア的な技術もあり、人工知能ハードウェア技術は、一般に、センサ、専用人工知能チップ、クラウドコンピューティング、分散記憶、ビッグデータ処理などの技術を含み、人工知能ソフトウェア技術は、主に、コンピュータビジョン技術、音声認識技術、自然言語処理技術、及び機械学習／深度学習、ビッグデータ処理技術、知識グラフ技術などの方向を含む。

本願の実施例によれば、本願は、電子機器及び読み取り可能な記憶媒体をさらに提供している。

図４に示すように、本願の実施例による前記方法を実現する電子機器のブロック図である。電子機器は、例えば、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、メインフレームコンピュータ、及び他の適切なコンピュータなどの様々な形態のデジタルコンピュータである。電子機器は、例えば、パーソナルデジタルプロセッシング、携帯電話、スマートフォン、ウェアラブルデバイス、及び他の類似なコンピューティングデバイス等、様々な形態のモバイルデバイスであってもよい。本明細書に示される部品、それらの接続及び関係、並びにそれらの機能は、単なる例示であり、本明細書に記載及び／又は請求される本願の実施を限定しない。

図４に示すように、当該電子機器は、１つまたは複数のプロセッサＹ０１と、メモリＹ０２と、高速インターフェースと低速インターフェースとを含む、各部品を接続するためのインターフェースとを備える。各部品は、異なるバスで互いに接続され、共通のマザーボード上に実装されてもよいし、必要に応じて他の形態で実装されてもよい。プロセッサは、電子機器で実行される命令を処理してもよく、外部入出力装置（例えば、インターフェースに結合された表示機器）にグラフィカル・ユーザ・インターフェースのグラフィック情報を表示するようにメモリ中またはメモリ上に記憶された命令を含む。他の実施形態では、必要に応じて、複数のプロセッサおよび／または複数のバスを、複数のメモリおよび複数のメモリと共に使用し得る。同様に、複数の電子機器を接続し、各機器が必要な操作の一部（例えば、サーバアレイ、ブレードサーバの集合、マルチプロセッサシステムなど）を提供するようにしてもよい。図４では、１つのプロセッサＹ０１を例に挙げている。

メモリＹ０２は、本願に提供される非一時的コンピュータ読み取り可能な記憶媒体である。前記メモリは、少なくとも１つのプロセッサに、本願に提供される方法を実行させるように、少なくとも１つのプロセッサによって実行可能な命令を記憶する。本願の非一時的コンピュータ読み取り可能な記憶媒体は、コンピュータに本願に提供される方法を実行させるためのコンピュータ命令を記憶する。

メモリＹ０２は、非一時的コンピュータ読み取り可能な記憶媒体として、例えば、本願の実施例における方法に対応するプログラム命令／モジュールのような、非一時的ソフトウェアプログラム、非一時的コンピュータ実行可能なプログラム及びモジュールを記憶する。プロセッサＹ０１は、メモリＹ０２に記憶された非一時的ソフトウェアプログラム、命令およびモジュールを実行することによって、サーバの様々な機能アプリケーションおよびデータ処理を実行し、すなわち、上記方法の実施例における方法を実現する。

メモリＹ０２は、記憶プログラム領域および記憶データ領域を含み、記憶プログラム領域は、オペレーティングシステム、少なくとも１つの機能に必要なアプリケーションを記憶し、記憶データ領域は、電子機器の使用により作成されたデータ等を記憶する。また、メモリＹ０２は、高速ランダムアクセスメモリを含んでもよく、例えば少なくとも１つのディスク記憶デバイス、フラッシュメモリデバイス、または他の非一時的固体記憶デバイスなどの非一時的メモリを含んでもよい。いくつかの実施例では、メモリＹ０２は、プロセッサＹ０１から遠隔に配置されたメモリを選択することができ、それらの遠隔メモリは、ネットワークを介して、電子機器に接続され得る。上記ネットワークの例示は、インターネット、イントラネット、ブロックチェーンネットワーク、ローカルエリアネットワーク、移動体通信ネットワーク、及びそれらの組み合わせが挙げられるが、これらに限定されない。

電子機器は、入力装置Ｙ０３と、出力装置Ｙ０４とをさらに含んでもよい。プロセッサＹ０１、メモリＹ０２、入力装置Ｙ０３、及び出力装置Ｙ０４は、バス又は他の方式で接続されてもよく、図４では、バスで接続することを例に挙げている。

入力装置Ｙ０３は、入力された数字または文字情報を受信し、電子機器のユーザ設定および機能制御に関するキー信号入力を発生させることができ、例えば、タッチスクリーン、キーパッド、マウス、トラックパッド、タッチパッド、ポインティングバー、一つまたは複数のマウスボタン、トラックボール、ジョイスティックなどの入力装置である。出力装置Ｙ０４は、表示装置、補助照明装置、触覚フィードバック装置（例えば、振動モータ）などを含んでもよい。当該表示装置は、液晶ディスプレイ、発光ダイオードディスプレイ及びプラズマディスプレイを含むが、これらに限らない。いくつかの実施形態では、表示装置はタッチスクリーンであってもよい。

本明細書に記載のシステムおよび技術の様々な実施形態は、デジタル電子回路システム、集積回路システム、特定用途向け集積回路、コンピュータハードウェア、ファームウェア、ソフトウェア、および／またはそれらの組合せで実現され得る。これらの様々な実施形態は、１つまたは複数のコンピュータプログラム内で実施されることを含み、当該１つまたは複数のコンピュータプログラムは、少なくとも１つのプログラマブルプロセッサを含むプログラマブルシステム上で実行および／または解釈され、当該プログラマブルプロセッサは、専用または汎用のプログラマブルプロセッサであり、記憶システム、少なくとも１つの入力装置、および少なくとも１つの出力装置からデータおよび命令を受信し、データおよび命令を当該記憶システム、少なくとも１つの入力装置、および少なくとも１つの出力装置に送信する。

これらの計算プログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、またはコードとしても言われる）は、プログラマブルプロセッサの機械命令を含み、高級プロセス、および／またはオブジェクト指向プログラミング言語、および／またはアセンブリ／機械言語でこれらの計算プログラムを実施することができる。本明細書で使用される場合、「機械読み取り可能な媒体」および「コンピュータ読み取り可能な媒体」という用語は、機械命令および／またはデータをプログラマブルプロセッサのいずれかのコンピュータプログラム製品、デバイス、および／または装置（例えば、磁気ディスク、光ディスク、メモリ、プログラマブルロジックデバイス）に提供することであり、機械読み取り可能な信号としての機械命令を受信する機械読み取り可能な媒体を含む。「機械読み取り可能な信号」という用語は、機械命令および／またはデータをプログラマブルプロセッサに提供するための任意の信号である。

ユーザとのインタラクティブ を提供するために、コンピュータで本明細書に記載されるシステムおよび技術を実施することができ、当該コンピュータは、ユーザに情報を表示するための表示装置（たとえば、陰極線管または液晶ディスプレイモニタ）と、ユーザがコンピュータに入力を提供し得るキーボードおよびポインティングデバイス（たとえば、マウスまたはトラックボール）とを有する。他の種類の装置は、ユーザとのインタラクティブを提供するために使用され得る。例えば、ユーザに提供されるフィードバックは、任意の形態の感覚フィードバック（例えば、視覚フィードバック、聴覚フィードバック、又は触覚フィードバック）であってもよく、任意の形態（例えば、音声入力、発話入力または触覚入力）でユーザからの入力を受信することができる。

本明細書で説明されるシステムおよび技術を、バックエンド部品を含むコンピューティングシステム（例えば、データサーバとして）、またはミドルウェア部品を含むコンピューティングシステム（例えば、アプリケーションサーバ）、またはフロントエンド部品を含むコンピューティングシステム（例えば、ユーザが本明細書で説明されるシステムおよび技術の実施形態とインタラクティブすることができるグラフィカル・ユーザ・インターフェースまたはウェブブラウザを有するユーザコンピュータ）、またはそのようなバックエンド部品、ミドルウェア部品、もしくはフロントエンド部品の任意の組合せを含むコンピューティングシステムにおいて実施され得る。任意の形態または媒体のデジタルデータ通信（例えば、通信ネットワーク）を介してシステムの部品を互いに接続することができる。通信ネットワークの例示は、ローカルエリアネットワーク、ワイドエリアネットワーク、ブロックチェーンネットワークおよびインターネットを含む。

コンピュータシステムは、クライアントおよびサーバを含み得る。クライアントおよびサーバは、一般に、互いから離れており、通常、通信ネットワークを介してインタラクティブしている。相応的なコンピュータで運行し、互いにクライアント-サーバ関係を有するコンピュータプログラムによって、クライアントとサーバの関係を生成する。サーバは、クラウドサーバであってもよく、クラウドコンピューティングサーバまたはクラウドホストとも称され、クラウドコンピューティングサービス体系におけるホスト製品の１つであり、従来の物理ホストおよびＶＰＳサービスに存在する管理が困難でありサービス拡張性が弱いという欠点を解決する。

なお、上記に示された様々な形態のフローを用いて、ステップを並べ替え、追加、または削除することができることを理解されたい。例えば、本願に記載された各ステップは、並列的に実行されてもよく、順番に実行されてもよく、異なる順番で実行されてもよく、本願において開示された技術案の所望の結果を達成することができる限り、ここで制限されない。

上記の具体的な実施形態は、本願の保護範囲を限定するものではない。当業者であれば、設計の要求及び他の要因に応じて、各種の補正、組合、サブ組合および切り替えを行うことができることは明らかであろう。本願の思想及び原則における任意の補正、均等物及び改善は、本願の保護範囲に含まれるべきである。

Claims (9)

1. 電子機器による対話感情スタイル予測方法であって、
   処理待ちの対話が存在するテキストから、前記対話のコンテキストを取得することと、
   前記対話の、対話の発話者であるキャラクタのキャラクタ情報を取得することと、
   前記コンテキストおよび前記キャラクタ情報から、前記対話の感情スタイルを予測することと、を含み、
   前記対話のキャラクタ情報を取得することは、
   人工的にマークした前記対話のキャラクタ情報を取得すること、または、
   予めトレーニングされたキャラクタ予測モデルを用いて、予測した前記対話のキャラクタ情報を取得することをさらに含み、
   前記コンテキストおよび前記キャラクタ情報から、前記対話の感情スタイルを予測することとは、
   前記コンテキスト、前記キャラクタ情報および前記対話を含む入力情報を構築することと、
   前記入力情報を予めトレーニングされた感情スタイル予測モデルに入力し、予測された前記対話の感情スタイルを取得することと、を含み、
   前記対話に対応する前記入力情報及び前記対話の感情スタイルであるラベルを含んで、各トレーニングサンプルがテキストにおける一文の対話に対応するトレーニングサンプルを構築することと、
   前記トレーニングサンプルを用いてトレーニングし、前記感情スタイル予測モデルを取得することと、をさらに含む
   対話感情スタイル予測方法。
2. 前記テキストにおける対話をトラバースし、トラバースされた各対話をそれぞれ前記処理待ちの対話とすることをさらに含む
   請求項１に記載の方法。
3. 引用符で囲まれたテキスト内容を対話とすること、および／または、
   テキスト内容のいずれかの文について、予めトレーニングされた分類モデルを用いて前記テキスト内容が対話であるか否かを判定することをさらに含む
   請求項１に記載の方法。
4. コンピュータプログラムにより実現される対話感情スタイル予測装置であって、
   処理待ちの対話が存在するテキストから、前記対話のコンテキストを取得する第１の取得モジュールと、
   前記対話の、対話の発話者であるキャラクタのキャラクタ情報を取得する第２の取得モジュールと、
   前記コンテキストおよび前記キャラクタ情報から、前記対話の感情スタイルを予測する予測モジュールと、を含み、
   前記第２の取得モジュールは、
   人工的にマークした前記対話のキャラクタ情報を取得し、または、
   予めトレーニングされたキャラクタ予測モデルを用いて、予測した前記対話のキャラクタ情報を取得し、
   前記予測モジュールは、
   前記コンテキスト、前記キャラクタ情報および前記対話を含む入力情報を構築し、
   前記入力情報を予めトレーニングされた感情スタイル予測モデルに入力し、予測された前記対話の感情スタイルを取得し、
   前記対話感情スタイル予測装置は、
   前記対話に対応する前記入力情報及び前記対話の感情スタイルであるラベルを含んで、各トレーニングサンプルがテキストにおける一文の対話に対応するトレーニングサンプルを構築し、前記トレーニングサンプルを用いてトレーニングし、前記感情スタイル予測モデルを取得するために用いられる前処理モジュールをさらに含む
   対話感情スタイル予測装置。
5. 前記第１の取得モジュールは、前記テキストにおける対話をトラバースし、トラバースされた各対話をそれぞれ前記処理待ちの対話とする
   請求項４に記載の装置。
6. 前記第１の取得モジュールは、さらに、
   引用符で囲まれたテキスト内容を対話とし、および／または、
   テキスト内容のいずれかの文について、予めトレーニングされた分類モデルを用いて前記テキスト内容が対話であるか否かを判定する
   請求項４に記載の装置。
7. 少なくとも１つのプロセッサと、
   前記少なくとも１つのプロセッサに通信可能に接続されたメモリと、を含み、
   前記メモリは、前記少なくとも１つのプロセッサによって実行可能な命令を記憶し、前記命令は、前記少なくとも１つのプロセッサが請求項１～３のいずれか一項に記載の方法を実行するように、前記少なくとも１つのプロセッサによって実行される
   電子機器。
8. コンピュータ命令は、コンピュータに請求項１～３のいずれか一項に記載の方法を実行させる
   コンピュータ命令を記憶した非一時的なコンピュータ読み取り可能な記憶媒体。
9. コンピュータに実行される時に請求項１～３のいずれか一項に記載の方法を実現するコンピュータプログラム。

Images