基于人工智能的情感倾向识别方法、装置、设备及介质与流程
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的情感倾向识别的方法、装置、电子设备及计算机可读存储介质。
背景技术：
情感倾向识别指的是基于用户的行为数据，判断出用户情绪的过程。目前情感倾向识别在服务行业领域中显得愈发重要，通过提前识别出用户的情感倾向可以做出相应的用户服务策略调整，从而可以提升用户的满意度。例如在用户投诉业务场景中，提前识别出用户的情感倾向，可以及时做出预警，调整服务策略，以提高用户的体验度和工作效率。
但是现有的情感倾向识别通常是在实际业务场景内用户发生具体动作后才能进行识别，这种识别方式比较滞后且依赖于人工的主观判断，并没有办法做到自动化的情感倾向识别。例如，只有在用户来电催促或语气较重时，才能识别用户有不满情绪，用户投诉情感倾向较高。
技术实现要素：
本发明提供一种基于人工智能的情感倾向识别的方法、装置、电子设备及计算机可读存储介质，其主要目的在于自动和提前识别出用户情感倾向。
为实现上述目的，本发明提供的一种基于人工智能的情感倾向识别方法，包括：
获取用户的行为数据集，对所述行为数据集进行数据清洗，得到初始行为数据集；
利用预设的行为特征分析算法对所述初始行为数据集进行行为特征分析，得到特征行为数据集，根据所述特征行为数据集构建用户行为画像；
获取所述用户行为画像中所有的情感特征行为数据，对所述情感特征行为数据进行离散化处理，得到目标情感特征行为数据；
筛选出在所述目标情感特征行为数据中占比最大的情感数据，并计算所述占比最大的情感数据的情感倾向值，根据所述情感倾向值，识别出所述用户的情感倾向。
可选地，所述行为数据集存储于区块链中，所述对所述行为数据集进行数据清洗，得到初始行为数据集，包括：
执行所述行为数据集的一致性检查处理，得到标准数据集；
将所述标准数据集进行去异常处理，得到初始数据集；
对所述初始数据集进行缺失值检测，并将检测出的缺失值进行填充，得到所述初始行为数据集。
可选地，所述将检测出的缺失值进行填充，包括：
利用下述填充方法对检测出的缺失值进行填充：
其中，l(θ)表示填充的数据缺失值，xi表示第i个填充的数据缺失值，θ表示填充的数据缺失值对应的概率参数，n表示初始数据集的数量，p(xi|θ)表示填充的数据缺失值概率。
可选地，所述利用预设行为特征分析算法对所述初始行为数据集进行行为特征分析，得到特征行为数据集，包括：
对所述初始行为数据集中相同类型的初始行为数据进行聚类，得到聚类中心点；
利用所述预设行为特征分析算法获取所述聚类中心点中所有初始行为数据的残差；
根据所述残差，确定所述聚类中心点中所有初始行为数据的最优特征划分点；
根据所述最优特征划分点，提取出所述聚类中心点中所有初始行为数据的特征行为数据；
根据提取出的特征行为数据生成所述特征行为数据集。
可选地，所述计算所述占比最大的情感倾向数据的情感倾向值，包括：
利用下述方法计算所述情感倾向数据的情感倾向值：
其中，v表示情感倾向值，η表示学习率，lω表示情感倾向数据的联路路径，j表示情感倾向数据的向量值，
为了解决上述问题，本发明还提供一种基于人工智能的情感倾向识别装置，所述装置包括：
清洗模块，用于获取用户的行为数据集，对所述行为数据集进行数据清洗，得到初始行为数据集；
分析模块，用于利用预设的行为特征分析算法对所述初始行为数据集进行行为特征分析，得到特征行为数据集，根据所述特征行为数据集构建用户行为画像；
离散化模块，用于获取所述用户行为画像中所有的情感特征行为数据，对所述情感特征行为数据进行离散化处理，得到目标情感特征行为数据；
筛选及计算模块，用于筛选出在所述目标情感特征行为数据中占比最大的情感数据，并计算所述占比最大的情感数据的情感倾向值，根据所述情感倾向值，识别出所述用户的情感倾向。
可选地，所述行为数据集存储于区块链中，所述清洗模块包括：
检查及去异常子模块：用于执行所述行为数据集的一致性检查处理，得到标准数据集，将所述标准数据集进行去异常处理，得到初始数据集；
检测及填充子模块：用于对所述初始数据集进行缺失值检测，并将检测出的缺失值进行填充，得到所述初始行为数据集。
可选地，所述分析模块包括：
聚类子模块：用于对所述初始行为数据集中相同类型的初始行为数据进行聚类，得到聚类中心点；
提取子模块：用于利用所述预设行为特征分析算法获取所述聚类中心点中所有初始行为数据的残差，根据所述残差，确定所述聚类中心点中所有初始行为数据的最优特征划分点，根据所述最优特征划分点，提取出所述聚类中心点中所有初始行为数据的特征行为数据，根据提取出的特征行为数据生成所述特征行为数据集。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中所述的基于人工智能的情感倾向识别方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述中所述的基于人工智能的情感倾向识别方法。
本发明实施例首先对用户的行为数据集进行数据清洗，得到初始行为数据集，可以删除用户行为数据集中许多无用数据；其次，本发明实施例对所述初始行为数据集进行行为特征分析后构建用户行为画像，可以直观的反应出用户的特征行为数据分布情况；进一步地，本发明实施例对所述用户行为画像中所有的情感特征行为数据进行离散化处理和筛选处理，得到情感倾向数据，并计算所述情感倾向数据的情感倾向值，根据所述情感倾向值，识别出所述用户的情感倾向，根据所述情感倾向值可以表征出用户的情感状态和情绪程度，从而可以自动化和提前的识别出用户的情感倾向。因此，本发明提出的一种基于人工智能的情感倾向识别方法、装置、电子设备以及计算机可读存储介质可以提前识别出用户情感倾向以及实现用户情感倾向识别的自动化。
附图说明
图1为本发明一实施例提供的基于人工智能的情感倾向识别方法的流程示意图；
图2为本发明一实施例提供的基于人工智能的情感倾向识别装置的模块示意图；
图3为本发明一实施例提供的实现基于人工智能的情感倾向识别方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将整合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供的基于人工智能的情感倾向识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于人工智能的情感倾向识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
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。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
本发明提供一种基于人工智能的情感倾向识别的方法。参照图1所示，为本发明一实施例提供的基于人工智能的情感倾向识别方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，基于人工智能的情感倾向识别的方法包括：
s1、获取用户的行为数据集，对所述行为数据集进行数据清洗，得到初始行为数据集。
在本发明的至少一个实施例中，所述用户的行为数据集指的是基于在实际业务场景中，用户参与业务活动所产生的数据。例如，在一个产险业务的场景中，用户的行为数据集包括：用户的产险购买记录、用户的产险咨询记录以及用户的后续产险购买记录等；在一个理赔业务场景中，用户的行为数据集包括：用户的消费记录、用户的理赔记录以及用户的理赔评价记录。需要强调的是，为进一步保证上述原始数据集的私密和安全性，上述稽核数据还可以存储于一区块链的节点中。
由于获取到的行为数据集中包含大量无用的数据，因此，本发明实施例通过对所述行为数据集进行数据清洗，以实现用户行为的精确定位。
详细地，所述对所述行为数据集进行数据清洗，得到初始行为数据集，包括：
执行所述行为数据集的一致性检查处理，得到标准数据集，将所述标准数据集进行去异常处理，得到初始数据集，对所述初始数据集进行缺失值检测，将检测出的缺失值进行填充，得到所述初始行为数据集。
其中，所述行为数据集的一致性检查处理是根据每个数据的合理取值范围和相互关系，检查数据是否合乎要求，发现并删除超出正常范围、逻辑上不合理或者相互矛盾的数据。例如，用1-7级量表测量的变量出现了0值，体重出现了负数等。
所述去异常处理包括：双边测试剔除和单边测试剔除，其中，所述单边测试剔除包括最小值测试剔除及最大值测试剔除；
其中，所述双边测试剔除的计算方法包括：
其中，g表示异常数据，i属于正整数，
所述最小值测试剔除的计算方法包括：
其中，g表示异常数据，
所述最大值测试剔除的计算方法包括：
其中，g表示异常数据，
所述缺失值检测包括：完全随机缺失、随机缺失以及非随机缺失。所述完全随机缺失指的是某一变量缺失值不依赖于其他任何原因的完全随机缺失；所述随机缺失指的是某一变量的缺失与其他变量相关但与该变量本身的数值不相关；所述非随机缺失指的是某一变量的缺失和该变量本身的数值相关。
一个可选实施例中，利用missmapfunction缺失函数检测所述初始数据集的缺失值。
一个可选实施例中，利用下述填充方法对检测出的缺失值进行填充：
其中，l(θ)表示填充的数据缺失值，xi表示第i个填充的数据缺失值，θ表示填充的数据缺失值对应的概率参数，n表示初始数据集的数量，p(xi|θ)表示填充的数据缺失值概率。
s2、利用预设的行为特征分析算法对所述初始行为数据集进行行为特征分析，得到特征行为数据集，根据所述特征行为数据集构建用户行为画像。
在本发明的至少一个实施例中，所述预设行为特征分析算法为梯度提升迭代决策树(gradientboostingdecisiontree，gbdt)算法。
进一步地，所述利用gbdt算法对所述初始行为数据集进行行为特征分析，得到特征行为数据集，包括：
对所述初始行为数据集中相同类型的初始行为数据进行聚类，得到聚类中心点，利用所述gbdt算法获取所述聚类中心点中所有初始行为数据的残差，根据所述残差，确定所述聚类中心点中所有初始行为数据的最优特征划分点，根据所述最优特征划分点，提取出所述聚类中心点中所有初始行为数据的特征行为数据，根据提取出的特征行为数据生成所述特征行为数据集。
可选的，本发明实施例可以利用当前已知技术的k-means算法对所述初始行为数据集中相同类型的初始行为数据进行聚类。
可选的，利用最小二乘法计算出所有残差的损失值，选取损失值最小残差对应的预测作为实际值的最优特征划分点。
例如，所述初始行为数据集中的初始行为数据为：用户的理赔记录为10次，预测第一轮的理赔记录为5次，得到第一次理赔记录残差为5，根据所述第一次理赔记录残差，预测第二轮理赔记录为2次，得到第二次理赔记录残差为3，根据所述第二次理赔记录残差，预测所述第三轮理赔记录为2次，得到第三次理赔记录残差为1，预测第四轮理赔记录为1次，得到第四次理赔记录残差为0，根据最小二乘法计算残差为3的损失值最小，则得到最优特征划分点为预测第二次理赔记录，因此，将第二次理赔记录中的行为数据作为所述理赔记录的特征行为数据。其中，将所述第一轮的理赔记录、第二轮的理赔记录、第三轮的理赔记录以及第四轮的理赔记录的预测相加，即5+2+2+1＝10，与用户的理赔记录相符。
一个可选实施例中，根据所述特征行为数据集，及利用3d建模构建用户行为画像，通过所述用户行为画像可以直观的了解的用户行为数据分布情况。
其中，所述3d建模指的是通过三维制作软件在虚拟三维空间构建出具有三维数据的模型。
s3、获取所述用户行为画像中所有的情感特征行为数据，对所述情感特征行为数据进行离散化处理，得到目标情感特征行为数据。
在本发明的至少一个实施例中，利用预设的情感词典获所述用户行为画像中所有的情感特征行为数据。
可选的，所述预设的情感词典可以从当前已知情感语料库进行下载得到。
进一步地，为了更好的反映出所述情感特征行为数据中的特征值，本发明对所述情感特征行为数据进行离散化处理，例如所述情感特征行为数据为：
“暴跳如雷”，则进行离散化处理得到的目标情感特征行为数据可以为“怒”，
所述情感特征行为数据为：“心花怒放”，则进行离散化处理得到的目标情感特征行为数据可以为“喜”。
一个可选实例中，通过当前已知的支持向量机(简称svm)算法对所述情感特征行为数据进行离散化处理，得到所述目标情感特征行为数据。
s4、筛选出在所述目标情感特征行为数据中占比最大的情感数据，并计算所述占比最大的情感数据的情感倾向值，根据所述情感倾向值，识别出所述用户的情感倾向。
在本发明的至少一个实施例中，经过离散化处理得到的目标情感特征行为数据并不能很好的表征出用户的情感程度，例如上述得到的“喜”、“怒”，仅仅只能反应出用户的情感状态为喜”、“怒”，无法反映出用户“喜”、“怒”的在目标情感特征行为数据所占比例，因此，本发明通过筛选出所述目标情感特征行为数据的情感倾向数据，以保证后续用户的情感倾向值的精确计算。
可选的，利用当前已知的leaf-wise算法筛选出所述目标情感特征行为数据的情感倾向数据，例如，利用所述leaf-wise算法筛选出所述“喜”在目标情感特征行为数据所占比例为70％，及所述“怒”在目标情感特征行为数据所占比例为30％，则最终筛选出的情感倾向数据为“喜”。
一个可选实施例中，利用下述方法计算所述占比最大的情感倾向数据的情感倾向值：
其中，v表示情感倾向值，η表示学习率，lω表示情感倾向数据的联路路径，j表示情感倾向数据的向量值，
进一步地，所述根据所述情感倾向值，识别出所述用户的情感倾向，包括：
若所述情感倾向值不大于预设阈值时，重新对上述情感特征行为数据进行离散化处理；若所述情感倾向值大于预设阈值时，将对应的情感倾向数据作为所述用户的情感倾向。
可选的，所述预设阈值为0.6。
在本发明的另一实施例还包括：根据识别出用户的情感倾向，调整用户服务策略，以实时有效的提高用户满意度和工作效率。
本发明实施例首先对用户的行为数据集进行数据清洗，得到初始行为数据集，可以删除用户行为数据集中许多无用数据；其次，本发明实施例对所述初始行为数据集进行行为特征分析后构建用户行为画像，可以直观的反应出用户的特征行为数据分布情况；进一步地，本发明实施例对所述用户行为画像中所有的情感特征行为数据进行离散化处理和筛选处理，得到情感倾向数据，并计算所述情感倾向数据的情感倾向值，根据所述情感倾向值，识别出所述用户的情感倾向，根据所述情感倾向值可以表征出用户的情感状态和情绪程度，从而可以自动化和提前的识别出用户的情感倾向。因此，本发明提出的一种基于人工智能的情感倾向识别方法可以提前识别出用户情感倾向以及实现用户情感倾向识别的自动化。
如图2所示，是本发明一实施例提供的基于人工智能的情感倾向识别装置的模块示意图。
本发明所述基于人工智能的情感倾向识别装置100可以安装于电子设备中。根据实现的功能，所述基于人工智能的情感倾向识别装置可以包括清洗模块101、分析模块102、离散化模块103以及筛选及计算模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述清洗模块101，用于获取用户的行为数据集，对所述行为数据集进行数据清洗，得到初始行为数据集。
在本发明的至少一个实施例中，所述用户的行为数据集指的是基于在实际业务场景中，用户参与业务活动所产生的数据。例如，在一个产险业务的场景中，用户的行为数据集包括：用户的产险购买记录、用户的产险咨询记录以及用户的后续产险购买记录等；在一个理赔业务场景中，用户的行为数据集包括：用户的消费记录、用户的理赔记录以及用户的理赔评价记录。需要强调的是，为进一步保证上述原始数据集的私密和安全性，上述稽核数据还可以存储于一区块链的节点中。
由于获取到的行为数据集中包含大量无用的数据，因此，本发明实施例通过对所述行为数据集进行数据清洗，以实现用户行为的精确定位。
详细地，所述对所述行为数据集进行数据清洗，得到初始行为数据集，包括：
检查及去异常子模块1010：用于执行所述行为数据集的一致性检查处理，得到标准数据集，将所述标准数据集进行去异常处理，得到初始数据集；
检测及填充子模块1011：用于对所述初始数据集进行缺失值检测，并将检测出的缺失值进行填充，得到所述初始行为数据集。
其中，所述行为数据集的一致性检查处理是根据每个数据的合理取值范围和相互关系，检查数据是否合乎要求，发现并删除超出正常范围、逻辑上不合理或者相互矛盾的数据。例如，用1-7级量表测量的变量出现了0值，体重出现了负数等。
所述去异常处理包括：双边测试剔除和单边测试剔除，其中，所述单边测试剔除包括最小值测试剔除及最大值测试剔除；
其中，所述双边测试剔除的计算方法包括：
其中，g表示异常数据，i属于正整数，
所述最小值测试剔除的计算方法包括：
其中，g表示异常数据，
所述最大值测试剔除的计算方法包括：
其中，g表示异常数据，
所述缺失值检测包括：完全随机缺失、随机缺失以及非随机缺失。所述完全随机缺失指的是某一变量缺失值不依赖于其他任何原因的完全随机缺失；所述随机缺失指的是某一变量的缺失与其他变量相关但与该变量本身的数值不相关；所述非随机缺失指的是某一变量的缺失和该变量本身的数值相关。
一个可选实施例中，利用missmapfunction缺失函数检测所述初始数据集的缺失值。
一个可选实施例中，利用下述填充方法对检测出的缺失值进行填充：
其中，l(θ)表示填充的数据缺失值，xi表示第i个填充的数据缺失值，θ表示填充的数据缺失值对应的概率参数，n表示初始数据集的数量，p(xi|θ)表示填充的数据缺失值概率。
所述分析模块102，用于利用预设的行为特征分析算法对所述初始行为数据集进行行为特征分析，得到特征行为数据集，根据所述特征行为数据集构建用户行为画像。
在本发明的至少一个实施例中，所述预设行为特征分析算法为梯度提升迭代决策树(gradientboostingdecisiontree，gbdt)算法。
进一步地，所述利用gbdt算法对所述初始行为数据集进行行为特征分析，得到特征行为数据集，包括：
聚类子模块1020：用于对所述初始行为数据集中相同类型的初始行为数据进行聚类，得到聚类中心点；
提取子模块1021：用于利用所述gbdt算法获取所述聚类中心点中所有初始行为数据的残差；根据所述残差，确定所述聚类中心点中所有初始行为数据的最优特征划分点；根据所述最优特征划分点，提取出所述聚类中心点中所有初始行为数据的特征行为数据；根据提取出的特征行为数据生成所述特征行为数据集。
可选的，本发明实施例可以利用当前已知技术的k-means算法对所述初始行为数据集中相同类型的初始行为数据进行聚类。
可选的，利用最小二乘法计算出所有残差的损失值，选取损失值最小残差对应的预测作为实际值的最优特征划分点。
例如，所述初始行为数据集中的初始行为数据为：用户的理赔记录为10次，预测第一轮的理赔记录为5次，得到第一次理赔记录残差为5，根据所述第一次理赔记录残差，预测第二轮理赔记录为2次，得到第二次理赔记录残差为3，根据所述第二次理赔记录残差，预测所述第三轮理赔记录为2次，得到第三次理赔记录残差为1，预测第四轮理赔记录为1次，得到第四次理赔记录残差为0，根据最小二乘法计算残差为3的损失值最小，则得到最优特征划分点为预测第二次理赔记录，因此，将第二次理赔记录中的行为数据作为所述理赔记录的特征行为数据。其中，将所述第一轮的理赔记录、第二轮的理赔记录、第三轮的理赔记录以及第四轮的理赔记录的预测相加，即5+2+2+1＝10，与用户的理赔记录相符。
一个可选实施例中，根据所述特征行为数据集，及利用3d建模构建用户行为画像，通过所述用户行为画像可以直观的了解的用户行为数据分布情况。
其中，所述3d建模指的是通过三维制作软件在虚拟三维空间构建出具有三维数据的模型。
所述离散化模块103，用于获取所述用户行为画像中所有的情感特征行为数据，对所述情感特征行为数据进行离散化处理，得到目标情感特征行为数据。
本发明的至少一个实施例中，利用预设的情感词典获所述用户行为画像中所有的情感特征行为数据。
可选的，所述预设的情感词典可以从当前已知情感语料库进行下载得到。
进一步地，为了更好的反映出所述情感特征行为数据中的特征值，本发明对所述情感特征行为数据进行离散化处理，例如所述情感特征行为数据为：“暴跳如雷”，则进行离散化处理得到的目标情感特征行为数据可以为“怒”，所述情感特征行为数据为：“心花怒放”，则进行离散化处理得到的目标情感特征行为数据可以为“喜”。
一个可选实例中，通过当前已知的直方图均衡化算法对所述情感特征行为数据进行离散化处理，得到所述目标情感特征行为数据。
所述筛选及计算模块104，用于筛选出在所述目标情感特征行为数据中占比最大的情感数据，并计算所述占比最大的情感数据的情感倾向值，根据所述情感倾向值，识别出所述用户的情感倾向。
在本发明的至少一个实施例中，经过离散化处理得到的目标情感特征行为数据并不能很好的表征出用户的情感程度，例如上述得到的“喜”、“怒”，仅仅只能反应出用户的情感状态为喜”、“怒”，无法反映出用户“喜”、“怒”的在目标情感特征行为数据所占比例，因此，本发明通过筛选出所述目标情感特征行为数据的情感倾向数据，以保证后续用户的情感倾向值的精确计算。
可选的，利用当前已知的leaf-wise算法筛选出所述目标情感特征行为数据的情感倾向数据，例如，利用所述leaf-wise算法筛选出所述“喜”在目标情感特征行为数据所占比例为70％，及所述“怒”在目标情感特征行为数据所占比例为30％，则最终筛选出的情感倾向数据为“喜”。
一个可选实施例中，利用下述方法计算所述占比最大的情感倾向数据的情感倾向值：
其中，v表示情感倾向值，η表示学习率，lω表示情感倾向数据的联路路径，j表示情感倾向数据的向量值，
进一步地，所述根据所述情感倾向值，识别出所述用户的情感倾向，包括：
若所述情感倾向值不大于预设阈值时，重新对上述情感特征行为数据进行离散化处理；若所述情感倾向值大于预设阈值时，将对应的情感倾向数据作为所述用户的情感倾向。
可选的，所述预设阈值为0.6。
在本发明的另一实施例还包括：根据识别出用户的情感倾向，调整用户服务策略，以实时有效的提高用户满意度和工作效率。
本发明实施例首先对用户的行为数据集进行数据清洗，得到初始行为数据集，可以删除用户行为数据集中许多无用数据；其次，本发明实施例对所述初始行为数据集进行行为特征分析后构建用户行为画像，可以直观的反应出用户的特征行为数据分布情况；进一步地，本发明实施例对所述用户行为画像中所有的情感特征行为数据进行离散化处理和筛选处理，得到情感倾向数据，并计算所述情感倾向数据的情感倾向值，根据所述情感倾向值，识别出所述用户的情感倾向，根据所述情感倾向值可以表征出用户的情感状态和情绪程度，从而可以自动化和提前的识别出用户的情感倾向。因此，本发明提出的一种基于人工智能的情感倾向识别装置可以提前识别出用户情感倾向以及实现用户情感倾向识别的自动化。
如图3所示，是本发明一实施例提供的实现基于人工智能的情感倾向识别的方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于人工智能的情感倾向识别程序。
其中，所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡、闪存卡(flashcard)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的情感倾向识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(controlunit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于人工智能的情感倾向识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于人工智能的情感倾向识别程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取用户的行为数据集，对所述行为数据集进行数据清洗，得到初始行为数据集；
利用预设的行为特征分析算法对所述初始行为数据集进行行为特征分析，得到特征行为数据集，根据所述特征行为数据集构建用户行为画像；
获取所述用户行为画像中所有的情感特征行为数据，对所述情感特征行为数据进行离散化处理，得到目标情感特征行为数据；
筛选出在所述目标情感特征行为数据中占比最大的情感数据，并计算所述占比最大的情感数据的情感倾向值，根据所述情感倾向值，识别出所述用户的情感倾向。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述原始数据集的私密和安全性，上述稽核数据还可以存储于一区块链的节点中。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！