情绪识别方法、装置、设备和存储介质与流程

本申请涉及情绪识别，例如涉及情绪识别方法、装置、设备和存储介质。

背景技术：

1、近年来，情绪识别在金融领域的客服外呼和理财产品推荐得到了广泛的应用。在和客户的沟通过程中，需要先识别出用户目前存在的一种或多种情绪，然后根据识别的情绪调整沟通策略，从而更好的解决客户的金融问题或理财产品问题。现有技术大多数是线性场景下的智能匹配，对非线性的问题场景的适用性不强，例如情绪识别等问题。现有的线性匹配方法基于数据库，通过特定算法直接进行匹配。现有的线性匹配方法的问题在于无法基于每次新增的样本进行参数调优，新增的样本识别的准确率较低，导致无法准确的识别出咨询金融问题和理财产品问题的用户的情绪。

2、综上所述，现有的情绪识别技术存在无法基于每次新增的样本进行参数调优，导致无法准确识别出咨询金融问题或理财产品问题的用户的情绪的问题。

技术实现思路

1、本申请提供一种情绪识别方法、装置、设备和存储介质，旨在解决现有的情绪识别技术存在无法基于每次新增的样本进行参数调优，导致无法准确识别出咨询金融问题或理财产品问题的用户的情绪的问题。

2、为解决上述问题，本申请采用以下技术方案：

3、本文提供了情绪识别方法，包括：

4、获取信号样本集，所述信号样本集包括多个信号样本；

5、获取目标样本，根据所有所述信号样本拟合所述目标样本，得到拟合系数；

6、使用梯度下降法对所述拟合系数进行优化，得到优化系数；

7、根据所述优化系数计算所述目标样本属于每个所述信号样本的分类概率；

8、按照所述分类概率的大小从所有所述分类概率中筛选出n个目标分类概率，其中，n≥1；

9、将n个所述目标分类概率对应的n种用户情绪组成已识别情绪集。

10、优选地，所述使用梯度下降法对所述拟合系数进行优化，得到优化系数，包括：

11、根据所述信号样本和与所述信号样本对应的所述拟合系数计算拟合系数梯度；

12、获取学习率，将所述学习率与所述拟合系数梯度相乘，得到拟合系数更新量；

13、将所述拟合系数和所述拟合系数更新量的差值作为所述优化系数。

14、优选地，所述根据所述优化系数计算所述目标样本属于每个所述信号样本的分类概率，包括：

15、根据以下公式计算所述分类概率：

16、

17、其中，p(ej|s,θ)为所述目标样本属于第j个所述信号样本的所述分类概率，e表示指数函数，t表示转置运算，sj为第j个所述信号样本，θj为与第j个所述信号样本对应的所述优化系数，si为第i个所述信号样本，θi为与第i个所述信号样本对应的所述优化系数，i为所述信号样本的第一序号，k为所述信号样本的总数。

18、优选地，所述根据所有所述信号样本拟合所述目标样本，得到拟合系数，包括：

19、使用所有所述信号样本构成样本基；

20、根据所述样本基使用最小二乘法拟合所述目标样本，得到与所述样本基对应的所述拟合系数。

21、优选地，所述按照所述分类概率的大小从所有所述分类概率中筛选出n个目标分类概率，包括：

22、对所有所述分类概率进行降序排列，得到分类概率序列；

23、将所述分类概率序列中的第一个所述分类概率至第n个所述分类概率作为所述目标分类概率，得到n个所述目标分类概率。

24、优选地，所述根据所述信号样本和与所述信号样本对应的所述拟合系数计算拟合系数梯度，包括：

25、根据以下公式计算所述拟合系数梯度：

26、

27、其中，所述为所述拟合系数梯度，sj为第j个所述信号样本，t表示转置运算，θj为与第j个所述信号样本对应的所述优化系数，θi为与第i个所述信号样本对应的所述优化系数，θl为与第l个所述信号样本对应的所述优化系数，e表示指数函数，k为所述信号样本的总数，l为所述信号样本的第二序号。

28、优选地，所述将n个所述目标分类概率对应的n种用户情绪组成已识别情绪集之后，还包括：

29、将所述已识别情绪集发送至客户端；

30、获取客户端反馈的真实用户情绪；

31、保存所述优化系数和所述真实用户情绪。

32、本申请还提供了一种情绪识别装置，包括：

33、信号样本集获取模块，用于获取信号样本集，所述信号样本集包括多个信号样本；

34、目标样本拟合模块，用于获取目标样本，根据所有所述信号样本拟合所述目标样本，得到拟合系数；

35、拟合系数优化模块，用于使用梯度下降法对所述拟合系数进行优化，得到优化系数；

36、分类概率计算模块，用于根据所述优化系数计算所述目标样本属于每个所述信号样本的分类概率；

37、目标分类概率筛选模块，用于按照所述分类概率的大小从所有所述分类概率中筛选出n个目标分类概率，其中，n≥1；

38、用户情绪识别模块，用于将n个所述目标分类概率对应的n种用户情绪组成已识别情绪集。

39、本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的情绪识别方法的步骤。

40、本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的情绪识别方法的步骤。

41、本申请的情绪识别方法，包括获取信号样本集，信号样本集包括多个信号样本。获取目标样本，根据所有信号样本拟合目标样本，得到拟合系数。通过梯度下降法对目标样本的拟合系数进行优化，优化拟合系数得到优化系数，优化系数能够更好的表示目标样本。根据优化系数能够准确的计算出目标样本属于每个信号样本的分类概率，一种分类概率对应于目标样本属于一种情绪的概率，按照分类概率的大小从所有分类概率中筛选出n个目标分类概率，将n个目标分类概率对应的n种用户情绪组成已识别情绪集。由于根据优化系数计算出的分类概率较为准确，从分类概率中筛选出的目标分类概率对应的用户情绪也较为准确，从而能够根据用户情绪更好的向用户提供咨询服务。

技术特征：

1.一种情绪识别方法，其特征在于，包括：

2.根据权利要求1所述的情绪识别方法，其特征在于，所述使用梯度下降法对所述拟合系数进行优化，得到优化系数，包括：

3.根据权利要求1所述的情绪识别方法，其特征在于，所述根据所述优化系数计算所述目标样本属于每个所述信号样本的分类概率，包括：

4.根据权利要求1所述的情绪识别方法，其特征在于，所述根据所有所述信号样本拟合所述目标样本，得到拟合系数，包括：

5.根据权利要求1所述的情绪识别方法，其特征在于，所述按照所述分类概率的大小从所有所述分类概率中筛选出n个目标分类概率，包括：

6.根据权利要求2所述的情绪识别方法，其特征在于，所述根据所述信号样本和与所述信号样本对应的所述拟合系数计算拟合系数梯度，包括：

7.根据权利要求1所述的情绪识别方法，其特征在于，所述将n个所述目标分类概率对应的n种用户情绪组成已识别情绪集之后，还包括：

8.一种情绪识别装置，其特征在于，包括：

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程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的情绪识别方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的情绪识别方法的步骤。

技术总结
本申请涉及情绪识别领域，提供一种情绪识别方法、装置、设备和存储介质，可用于金融领域的客服外呼时客服解答用户的金融问题和向用户推荐理财产品，其中方法包括：获取信号样本集，信号样本集包括多个信号样本；获取目标样本，根据所有信号样本拟合目标样本，得到拟合系数；使用梯度下降法对拟合系数进行优化，得到优化系数；根据优化系数计算目标样本属于每个信号样本的分类概率；按照分类概率的大小从所有分类概率中筛选出N个目标分类概率，其中，N≥1；将N个目标分类概率对应的N种用户情绪组成已识别情绪集。本方法根据优化系数计算出的分类概率较为准确，从而能够根据用户情绪更好的向用户提供咨询服务。

技术研发人员：王耀,吴伟杰,马佳婕,张晓永,黄莹,陈又新
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：
技术公布日：2024/1/15