[发明专利]一种情绪识别方法、装置及电子设备和存储介质

说明书

本申请公开了一种情绪识别方法、装置及一种电子设备和计算机可读存储介质，该方法包括：获取催收语句的数据集；其中，数据集包括催收语句和对应的情绪类别标签；对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，以将文本纠错后的数据集扩展为扩展数据集；利用扩展数据集训练情绪识别模型；其中，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。本申请提高了催收语句情绪识别的准确性。

技术领域

本申请涉及自然语言处理技术领域，更具体地说，涉及一种情绪识别方法、装置及一种电子设备和一种计算机可读存储介质。

背景技术

随着金融科技的快速发展，超前消费的现象越来愈多，银行业务也变得更加丰富多样，各类金融机构蓬勃发展。但同时，各种催收乱象也是层出不穷，暴力催收尤为值得大家重视。由于催收过程中，欠款人在接到催收电话时很容易激怒催收人员，引起双方言语冲突，一旦催收人员有辱骂等不礼貌用语，就有可能被投诉。因此，在催收的过程中，需要对催收工作人员和被催收人的情绪进行识别，以时刻保持催收工作人员的情绪稳定，对被催收人的负面情绪进行及时安抚和正向引导。

在相关技术中，对文本信息进行分词处理，使用TF-IDF(term frequency–inversedocument frequency)算法提取文本特征，构建特征向量，利用LSTM(长短期记忆网络，LongShort-Term Memory)模型对特征向量进行分析，得到情绪识别结果。相关技术中的情绪识别方法存在如下缺陷：其一，分词不当会造成任务一开始就出现偏差，并导致错误向后传递；其二，催收语句的训练样本较少，影响LSTM模型的训练效果；其三，TF-IDF算法使用词频来衡量文本中的一个词语的权重，无法体现词语的位置信息、在句子中上下文的重要性，导致情绪识别结果不准确；其四，LSTM不能完全解决长距离的依赖问题，序列长度过长会导致梯度爆炸，不能进行并行运算，对于较长的句子情绪识别准确性和效率较差。

因此，如何提高催收语句情绪识别的准确性是本领域技术人员需要解决的技术问题。

发明内容

本申请的目的在于提供一种情绪识别方法、装置及一种电子设备和一种计算机可读存储介质，提高了催收语句情绪识别的准确性。

为实现上述目的，本申请提供了一种情绪识别方法，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。

其中，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。

其中，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；