申请/专利权人：平安科技(深圳)有限公司

申请日：2019-06-18

公开（公告）日：2024-05-10

公开（公告）号：CN110442857B

主分类号：G06F16/35

分类号：G06F16/35;G06F40/289;G06F40/216;G06F40/30;G06F16/33;G06N3/0464;G06N3/09;G06F18/2431;G06F18/213;G06F18/214

优先权：

专利状态码：有效-授权

法律状态：2024.05.10#授权;2021.07.02#实质审查的生效;2019.11.12#公开

摘要：本发明涉及一种人工智能技术，揭露了一种情感智能判断方法，包括：接收语料集和标签集，将所述语料集进行预处理操作得到标准语料集；对所述标准语料集进行关键字抽取和词向量化操作得到词向量集；将所述词向量集输入至情感分析模型的卷积神经网络中，将所述标签集输入至所述情感分析模型的损失函数中，所述卷积神经网络接收所述词向量集进行训练得到训练值所述损失函数基于所述标签集和所述训练值计算得到损失值，判断所述损失值与预设阈值的大小，直至所述卷积神经网络退出训练；对用户输入的文本数据产生情感判断结果。本发明还提出一种情感智能判断装置以及一种计算机可读存储介质。本发明可以实现精准的情感智能判断功能。

主权项：1.一种情感智能判断方法，其特征在于，所述方法包括：接收包括基础数据集和场景数据集的语料集和标签集，将所述语料集进行包括分词、去停用词的预处理操作得到标准语料集；基于关键字抽取算法对所述标准语料集进行关键字抽取后得到关键字数据集，对所述关键字数据集进行词向量化操作得到词向量集；将所述词向量集输入至情感分析模型的卷积神经网络中，将所述标签集输入至所述情感分析模型的损失函数中，所述卷积神经网络接收所述词向量集进行训练得到训练值，将所述训练值输入至所述损失函数中，所述损失函数基于所述标签集和所述训练值计算得到损失值，判断所述损失值与所述卷积神经网络的预设训练阈值的大小，直至所述损失值小于所述预设训练阈值时，所述卷积神经网络退出训练；接收用户输入的文本数据，将所述文本数据输入至所述情感分析模型中判断情感倾向，并输出判断结果；其中，所述基于关键字抽取算法对所述标准语料集进行关键字抽取后得到关键字数据集，包括：计算所述标准语料集中任意两词Wi,Wj之间的依存关联度DepWi,Wj： 其中，lenWi,Wj表示词语Wi和Wj之间的依存路径长度，b是超参数；计算所述标准语料集中任意两词Wi,Wj之间的引力值fgravWi,Wj： 其中，tfidfWi、tfidfWj表示词Wi,Wj的词频-逆文本频率指数，d表示词Wi和Wj的词向量之间的欧式距离；根据所述依存关联度DepWi,Wj和所述引力值fgravWi,Wj计算所述标准语料集中任意两词Wi,Wj之间的权重系数weightWi,Wj：weightWi,Wj＝DepWi,Wj*fgravWi,Wj对所述权重系数的大小进行排序，选择权重系数weightWi,Wj最大的词，完成所述关键字抽取，得到关键字数据集；所述接收所述词向量集进行训练包括对所述词向量集进行卷积操作和激活操作；所述卷积操作为： 其中v’为所述卷积操作输出的卷积集，v为所述词向量集，k为卷积核的大小，s为所述卷积操作的步幅，p为数据补零矩阵；所述激活操作的激活函数为： 其中y为所述训练值，e为无限不循环小数；所述词向量化操作采用Word2Vec算法，所述Word2Vec算法包括输入层、投影层和输出层，其中，所述输入层接收所述关键字数据集，所述输出层输出得到所述词向量集，所述投影层ζω,j为： 其中，表示在路径ω内，第j个结点对应的霍夫曼编码，l表示在路径ω内的节点数量，θ为所述Word2Vec算法的迭代因子，σ表示sigmoid函数，Xω为所述关键字数据集，所述霍夫曼编码是根据数据通信知识使用0,1码的不同排列来表示所述关键字数据集。

全文数据：

权利要求：

百度查询： 平安科技(深圳)有限公司 情感智能判断方法、装置及计算机可读存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD