[发明专利]一种情绪识别方法、装置及电子设备和存储介质

权利要求书

1.一种情绪识别方法，其特征在于，包括：

获取催收语句的数据集；其中，所述数据集包括催收语句和对应的情绪类别标签；

对所述数据集中的催收语句进行文本纠错；

对文本纠错后的数据集进行数据增强，以将所述文本纠错后的数据集扩展为扩展数据集；

利用所述扩展数据集训练情绪识别模型；其中，所述情绪识别模型包括向量表示层、卷积层、池化层、注意力机制层和归一化层；

利用训练完成的情绪识别模型对待识别的目标催收语句进行情绪识别。

2.根据权利要求1所述情绪识别方法，其特征在于，对文本纠错后的数据集进行数据增强，以将所述文本纠错后的数据集扩展为扩展数据集，包括：

基于文本纠错后的数据集中的目标催收语句利用预设数据增强方式生成扩展催收语句；其中，所述预设数据增强方式包括同义词替换、随机交换词语顺序、随机删除词语和回译中的任一项或任几项的组合；

将所述扩展催收语句和对应的情绪类别标签加入所述文本纠错后的数据集中得到扩展数据集；其中，所述扩展催收语句与所述目标催收语句的情绪类别标签一致。

3.根据权利要求1所述情绪识别方法，其特征在于，对所述数据集中的催收语句进行文本纠错，包括：

对所述数据集中的催收语句进行分词操作；

判断所述催收语句中是否存在满足预设条件的待替换分词；其中，所述预设条件包括所述待替换分词不存在于常用字典中或存在于混淆字典的映射对中；

若是，则将所述催收语句输入语言模型中，判断所述语言模型输出的概率是否小于预设值；

若小于，则召回所述待替换分词的音近分词和/或形近分词，并将所述催收语句中的所述待替换分词替换为所述音近分词和/或所述形近分词，生成候选语句；

计算每个所述候选语句的句子困惑度，并将所述句子困惑度最大的候选语句确定为目标语句；

将所述数据集中的所述催收语句替换为所述目标语句。

4.根据权利要求1所述情绪识别方法，其特征在于，所述向量表示层包括预训练albert模型、预训练word2vec模型和第一拼接单元；

所述预训练albert模型用于对输入所述情绪识别模型的催收语句进行向量化表示以生成第一向量；

所述预训练word2vec模型，用于对输入所述情绪识别模型的催收数据进行向量化表示以生成第二向量；

所述第一拼接单元用于对所述第一向量和所述第二向量进行拼接得到拼接向量；所述拼接向量为所述卷积层的输入。

5.根据权利要求4所述情绪识别方法，其特征在于，所述卷积层包括多个不同尺寸的卷积核，用于对所述拼接向量分别提取句子特征，以生成多个特征矩阵；多个所述特征矩阵为所述池化层的输入；

所述池化层包括最大池化单元、平均池化单元和第二拼接单元；所述第二拼接单元，用于对最大池化向量和平均池化向量进行拼接，得到所述注意力机制层的输入。

6.根据权利要求1所述情绪识别方法，其特征在于，在所述注意力机制层中，利用乘积量化算法计算输入的催收语句中每个词语之间的相关性。

7.根据权利要求1至6中任一项所述情绪识别方法，其特征在于，所述利用所述扩展数据集训练情绪识别模型，包括：

基于所述扩展数据集中的催收语句生成对抗样本；

利用所述催收语句和所述对抗样本对所述情绪识别模型进行训练。

8.一种情绪识别方法，其特征在于，包括：

获取模块，用于获取催收语句的数据集；其中，所述数据集包括催收语句和对应的情绪类别标签；

纠错模块，用于对所述数据集中的催收语句进行文本纠错；

数据增强模块，用于对文本纠错后的数据集进行数据增强，以将所述文本纠错后的数据集扩展为扩展数据集；

训练模块，用于利用所述扩展数据集训练情绪识别模型；其中，所述情绪识别模型包括向量表示层、卷积层、池化层、注意力机制层和归一化层；

识别模块，用于利用训练完成的情绪识别模型对待识别的目标催收语句进行情绪识别。