一种情绪识别方法及装置与流程

本发明涉及情感分析，尤其涉及一种情绪识别方法及装置。

背景技术：

1、情绪识别在服务领域具有重要的价值，可以优化业务环境中情感分析的应用设计。例如，在处理诸如客户服务对话、投诉管理、工单分析以及服务评价等场景。在这些特定的场景下，数据情感倾向往往呈现出显著的非均衡性，如大部分工单和服务评价倾向于正面或中性，而客服交互和投诉处理的数据则偏向负面。因此，如何高效对客户的情绪进行识别成为亟需解决的技术问题。

技术实现思路

1、为了解决现有技术中存在的问题，本申请实施例提供了一种情绪识别方法的方法、装置、计算设备、计算机存储介质及包含计算机程序的产品，能够对文本数据情感状态高效且精确识别。

2、第一方面，本申请实施例提供一种情绪识别方法，方法包括：通过人工智能的方式，获取文本数据的情绪倾向；包括：通过训练好的识别模型，对文本数据进行处理，确定第一识别结果；第一识别结果包括潜在的情绪倾向；潜在的情绪倾向包括正向结果、中性结果或负向结果中的任一种；在潜在的情绪倾向为负向结果的情况下，对第一识别结果进行纠偏，确定第二识别结果；第二识别结果包括确定的情绪倾向。

3、在一些可能的实现方式中，对第一识别结果进行纠偏，包括：构造负向情感词典，负向情感词典中的词汇为负向词汇；将文本数据处理为批形式；通过中文分词工具对批形式数据中的每一条子文本进行分词，确定分词结果；将分词结果与负向情感词典进行匹配，确定第二识别结果。

4、在一些可能的实现方式中，确定第二识别结果包括：在分词结果与负向情感词典匹配失败的情况下，将第一识别结果修改为非负向结果，将非负向结果作为第二识别结果；在分词结果与负向情感词典匹配成功的情况下，将第一识别结果作为第二识别结果。

5、在一些可能的实现方式中，识别模型的训练，包括：确定数据训练集，包括：通过业务数据集中的数据，对第一公共数据集中的数据进行数据增强操作，确定第二公共数据集；将业务数据集与第二公共数据集合并，确定数据训练集；通过数据训练集中的数据，对识别模型进行训练，识别模型为深度学习模型。

6、在一些可能的实现方式中，对第一公共数据集中的数据进行数据增强操作，包括：使用业务数据集中的负向文本数据，将公共数据集中的同义词进行替换；或者，将业务数据集中的负向文本数据，随机插入公共数据集中；或者，将业务数据集中的负向文本数据，与公共数据集中的同义词进行随机交换；或者，使用业务数据集中的负向文本数据，将公共数据集中的同义词进行随机删除。

7、在一些可能的实现方式中，在通过数据训练集中的数据，对识别模型进行训练之前，方法还包括：对数据训练集中的数据进行数据清洗。

8、在一些可能的实现方式中，对数据训练集中的数据进行数据清洗，包括：通过正则的方式，去除数据训练集中的无用词，无用词包括停用词、英文字母、数字字符中的至少一种。

9、在一些可能的实现方式中，方法还包括：将数据训练集中的数据处理为批形式。

10、在一些可能的实现方式中，业务数据集中的数据包括正向数据与负向数据，正向数据的数据量大于负向文本的数据量，且两者数据量之间差异显著；差异显著指正向数据的数据量，与负向文本的数据量之间的数量差异被明显的观察到或者量化。

11、第二方面，本申请实施例提供一种情绪识别装置，装置包括：获取模块，用于通过人工智能的方式，获取文本数据的情绪倾向；包括：通过训练好的识别模型，对文本数据进行处理，确定第一识别结果；第一识别结果包括潜在的情绪倾向；潜在的情绪倾向包括正向结果、中性结果或负向结果中的任一种；纠偏模块，用于在潜在的情绪倾向为负向结果的情况下，对第一识别结果进行纠偏，确定第二识别结果；第二识别结果包括确定的情绪倾向；。

12、第三方面，本申请实施例提供一种计算机可读存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如第一方面任一项所述的方法。

13、第四方面，本申请实施例提供一种计算设备，包括处理器和存储器，其中，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器运行时，执行如第一方面任一项所述的方法。

14、第五方面，本申请实施例提供一种包含计算机程序的产品，当计算机程序产品在处理器上运行时，使得所述处理器执行如第一方面任一项所述的方法。

15、本方法通过人工智能的方式来构建情绪识别模型，使用该预训练的情绪识别模型来生成初步的情感预测结果。接着，引入了情感词典辅助修正策略，旨在对模型预测进行精细校准，避免因数据分布偏斜可能导致的过度拟合现象，确保了情绪识别的准确性。

技术特征：

1.一种情绪识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述第一识别结果进行纠偏，包括：

3.根据权利要求2所述的方法，其特征在于，所述确定第二识别结果包括：

4.根据权利要求1-3任一所述的方法，其特征在于，识别模型的训练，包括：

5.根据权利要求4所述的方法，其特征在于，所述对第一公共数据集中的数据进行数据增强操作，包括：

6.根据权利要求4所述的方法，其特征在于，在所述通过所述数据训练集中的数据，对所述识别模型进行训练之前，所述方法还包括：

7.根据权利要求6所述的方法，其特征在于，所述对所述数据训练集中的数据进行数据清洗，包括：

8.根据权利要求4所述的方法，其特征在于，所述方法还包括：

9.根据权利要求4所述的方法，其特征在于，所述业务数据集中的数据包括正向数据与负向数据，所述正向数据的数据量大于所述负向文本的数据量，且两者数据量之间差异显著；所述差异显著指所述正向数据的数据量，与所述负向文本的数据量之间的数量差异被明显的观察到或者量化。

10.一种情绪识别装置，其特征在于，所述装置包括：

技术总结一种情绪识别方法，方法包括：通过人工智能的方式，获取文本数据的情绪倾向；包括：通过训练好的识别模型，对文本数据进行处理，确定第一识别结果；第一识别结果包括潜在的情绪倾向；潜在的情绪倾向包括正向结果、中性结果或负向结果中的任一种；在潜在的情绪倾向为负向结果的情况下，对第一识别结果进行纠偏，确定第二识别结果；第二识别结果包括确定的情绪倾向。本方法通过人工智能的方式来构建情绪识别模型，使用该预训练的情绪识别模型来生成初步的情感预测结果。接着，引入了情感词典辅助修正策略，旨在对模型预测进行精细校准，避免因数据分布偏斜可能导致的过度拟合现象，确保了情绪识别的准确性。技术研发人员：王棒棒,钟雪君,章小雨受保护的技术使用者：杭州东方通信软件技术有限公司技术研发日：技术公布日：2024/7/29