[發明專利]一種情緒分析方法、系統、設備及可讀存儲介質

在審

• 申請號: 202011270079.1
• 申請日: 2020-11-13
• 公開（公告）號: CN112466324A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 程榮;趙友林
• 申請（專利權）人: 上海聽見信息科技有限公司
• 主分類號: G10L25/03
• 分類號: G10L25/03;G10L25/63
• 代理公司: 北京知呱呱知識產權代理有限公司 11577
• 代理人: 康震

本申請實施例公開了一種情緒分析方法、系統、設備及可讀存儲介質，所述方法包括：提取打過標簽的所述聲音樣本的音頻特征；再將所述音頻特征轉換為數學數據；將所述數學數據的數據矩陣與所述情緒類別標簽綁定形成數據集合，并將所述集合轉換為數學矩陣；將該數學矩陣的數據按照比例隨機拆分為訓練集和測試集。使用tensorflow對上述訓練集數據進行訓練，得到情緒分析模型；基于所述情緒分析模型對測試集樣本進行測試驗證，得到所述測試樣本的分析結果，比較所述分析結果和所述測試樣本的情緒類別標簽是否一致，直到測試集上樣本的準確率滿足設定閾值。利用本模型可以準確又快捷的分析聲音所蘊含的情緒。

技術領域

本申請實施例涉及人工智能技術領域，具體涉及一種情緒分析方法、系統、設備及可讀存儲介質。

背景技術

現有市場上的技術主要通過聲音轉文字的技術對聲音所包含的信息進行分析，很難識別出聲音所代表的情緒情感；或者，即使通過一些關鍵字能識別部分情緒情感，但是換了其他的語種這種方式即失效；又或者當前已有的通過聲音特征識別情緒情感的技術由于對于本質特征提取不全面，導致分析不準確。

發明內容

為此，本申請實施例提供一種情緒分析方法、系統、設備及可讀存儲介質，不通過聲音轉文字信息，而是通過提取聲音的本質特征，利用AI技術對樣本進行訓練，從而形成情緒情感分析模型，并用該模型來分析聲音所蘊含的情緒情感。

為了實現上述目的，本申請實施例提供如下技術方案：

根據本申請實施例的第一方面，提供了一種情緒分析方法，所述方法包括：

獲取聲音樣本音頻，對所述聲音樣本音頻進行標準化處理，對標準化處理后的聲音樣本音頻打上預先定義的情緒類別標簽；

提取打過標簽的所述聲音樣本音頻的音頻特征，所述音頻特征包括MFCC特征矩陣、樣本音頻片段的過零率等聲紋聲學特征信息；再將所述音頻特征轉換為數學數據，所述數學數據包括聲音樣本音頻的MFCC特征矩陣、過零率信息等聲紋聲學特征數據；

將所述數學數據的數據矩陣與所述情緒類別標簽綁定形成集合，并將所述標簽集合轉換為數學矩陣；并將該數學矩陣的數據按照比例隨機拆分為訓練集和測試集。

使用tensorflow對上述訓練集中數據進行訓練，得到情緒分析模型；基于所述情緒分析模型通過程序腳本自動處理加人工輔助處理的方式對測試樣本進行測試驗證，得到所述測試樣本的分析結果，比較所述分析結果和所述測試樣本的情緒類別標簽是否一致。若不一致，分析所述測試樣本數據和對應的情緒類別標簽是否準確，若所述測試樣本數據不準確，則舍棄所述測試樣本；若所述對應的情緒類別標簽不準確，則重新打標簽；將重新打標簽后的測試樣本放入訓練集，調整tensorflow訓練參數，對上述調整后的訓練集重新進行訓練，并增加新的測試樣本到測試集中以進行下一次測試，重復上述過程，直到測試集上樣本的準確率滿足設定閾值。

可選地，所述情緒類別標簽包括高興、悲傷、憤怒、恐懼、厭惡、驚喜、平靜和憂傷等。情緒類別標簽會根據業務需求進行適當調整。

可選地，所述情緒分析模型按照如下步驟進行訓練：

設置訓練參數，所述訓練參數包括訓練次數、層次結構、激活函數和代價函數、優化函數等；

將中間數據以圖形化形式顯示出來，在訓練結束的時候，觀察loss和acc中間參數；若loss和acc中間參數不符合預期，則修改參數重新訓練，以使得loss和acc中間參數符合預期。

可選地，所述方法還包括：

利用所述情緒分析模型對測試音頻樣本進行分析，基于所述情緒分析模型通過程序腳本自動處理加人工輔助處理的方式檢查所述測試音頻樣本的分析結果是否準確，對于不準確的音頻數據如果是標簽不準確，則重新打上正確標簽，然后放入訓練集中，以更新訓練集。如果數據不準確的，則舍棄。