[发明专利]情感分析方法和装置

说明书

本公开提供一种情感分析方法和装置。情感分析装置对用户会话进行特征提取，将所提取的用户会话特征分别输入预设的第一预测模型和第二预测模型，将第一预测模型中的第一特征数据输入第二预测模型，以便第二预测模型将第一特征数据和自身的第二特征数据进行融合，并利用融合后的特征数据得到用户会话的情感分类结果。本公开通过采用迁移学习的方式，将第一预测模型中的知识迁移到第二预测模型中，从而使第二预测模型能够取得更好的分类结果。

技术领域

本公开涉及信息处理领域，特别涉及一种情感分析方法和装置。

背景技术

人工客服作为直接面向用户的窗口，在互联网行业起到越来越重要的作用。客服解决问题的能力将直接影响用户体验和用户对公司的印象。

目前，通过采用文本分类技术，对用户情感进行打分。例如，1分表示非常不满意，5分表示非常不满意。

发明内容

发明人通过研究发现，在实际业务场景中，仅对用户情感进行打分，并不能准确了解用户不满意的原因，从而无法有效对业务进行改进。

为此，本公开提供一种能够根据用户会话对用户情感进行分类的方案，从而便于及时了解用户不满意的原因。

根据本公开的一个或多个实施例的一个方面，提供一种情感分析方法，包括：对用户会话进行特征提取；将所提取的用户会话特征分别输入预设的第一预测模型和第二预测模型；将所述第一预测模型中的第一特征数据输入所述第二预测模型，以便所述第二预测模型将所述第一特征数据和自身的第二特征数据进行融合，并利用融合后的特征数据得到用户会话的情感分类结果。

在一些实施例中，所述第一预测模型的分类结果小于所述第二预测模型的分类结果。

在一些实施例中，所述第一预测模型的每个分类结果分别与所述第二预测模型的至少一个分类结果相关联。

在一些实施例中，所述第一预测模型的分类结果包括高兴、中性、负面；所述第二预测模型的分类结果包括高兴、中性、焦虑、生气、害怕、悲伤、失落，其中所述第一预测模型的负面分类结果与所述第二预测模型的焦虑、生气、害怕、悲伤和失落分类结果相关联。

在一些实施例中，所述第一预测模型和所述第二预测模型为基于字符的卷积神经网络。

在一些实施例中，将训练数据分别输入到所述第一预测模型和待训练模型中，以便所述第一预测模型输出分类结果，其中训练数据包括用户会话特征；将所述第一预测模型中的特征数据输入所述待训练模型，以便所述待训练模型将来自所述第一预测模型的特征数据和自身的特征数据进行融合，并利用融合后的特征数据输出分类结果；根据所述待训练模型输出的分类结果与所述第一预测模型输出的分类结果之间存在的偏差，调整所述待训练模型的参数，以得到所述第二预测模型。

在一些实施例中，若所述待训练模型输出的分类结果与所述第一预测模型输出的分类结果之间不存在关联关系，则判定所述待训练模型输出的分类结果与所述第一预测模型输出的分类结果之间存在偏差。

根据本公开的一个或多个实施例的另一个方面，提供一种情感分析装置，包括：特征提取模块，被配置为对用户会话进行特征提取；特征输入模块，被配置为将所提取的用户会话特征分别输入预设的第一预测模型和第二预测模型；迁移学习模块，被配置为将所述第一预测模型中的第一特征数据输入所述第二预测模型，以便所述第二预测模型将所述第一特征数据和自身的第二特征数据进行融合，并利用融合后的特征数据得到用户会话的情感分类结果。

在一些实施例中，所述第一预测模型的分类结果小于所述第二预测模型的分类结果。

在一些实施例中，所述第一预测模型的每个分类结果分别与所述第二预测模型的至少一个分类结果相关联。