[發明專利]情感識別模型及其訓練方法、裝置、設備及可讀存儲介質

有效

• 申請號: 202210677257.5
• 申請日: 2022-06-16
• 公開（公告）號: CN114757310B
• 公開（公告）日: 2022-11-11
• 發明（設計）人: 王斌強;董剛;趙雅倩;李仁剛
• 申請（專利權）人: 山東海量信息技術研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 魯梅

1.一種情感識別模型的訓練方法，其特征在于，包括：

從原始的情感識別數據集中提取出情感特征數據；

根據所述情感特征數據以及所述情感識別數據集中各數據的預設情感標簽，計算情感學習損失；

通過預設聚類算法對所述情感特征數據進行聚類得到聚類中心；

根據映射到聚類中心空間的所述情感特征數據以及所述聚類中心計算聚類損失；

根據由所述情感學習損失以及所述聚類損失進行系數加權得到的聯合損失對情感分類模型進行參數更新；

所述根據映射到聚類中心空間的所述情感特征數據以及所述聚類中心計算聚類損失具體為：

；

其中，為聚類損失，為k個維度為d的映射到聚類中心空間的所述情感特征數據，為由k個維度為d的聚類中心向量拼成的二維矩陣。

2.根據權利要求1所述的情感識別模型的訓練方法，其特征在于，所述根據由所述情感學習損失以及所述聚類損失構建的聯合損失對情感分類模型進行參數更新之后，該情感識別模型的訓練方法還包括：

判斷所述情感分類模型是否滿足預設的模型收斂條件；

若是，則結束訓練；

若否，則將所述情感識別數據集打亂順序并執行所述從原始的情感識別數據集中提取出情感特征數據的步驟。

3.根據權利要求2所述的情感識別模型的訓練方法，其特征在于，所述預設的模型收斂條件具體為迭代次數是否達到預設迭代次數。

4.根據權利要求2所述的情感識別模型的訓練方法，其特征在于，所述從原始的情感識別數據集中提取出情感特征數據具體為：

對原始的情感識別數據集進行預處理；

從經過預處理后的所述情感識別數據集中提取出情感特征數據。

5.根據權利要求4所述的情感識別模型的訓練方法，其特征在于，所述預處理包括去噪、去除異常樣本以及歸一化中的至少一者。

6.根據權利要求1所述的情感識別模型的訓練方法，其特征在于，當所述情感識別數據集中各數據的標簽為離散型，所述根據所述情感特征數據以及所述情感識別數據集中各數據的預設情感標簽，計算情感學習損失具體為：

基于所述情感特征數據，使用情感分類頭部網絡得到包含所述情感識別數據集中各數據的預測概率值的概率向量；

根據所述概率向量以及所述情感識別數據集中各數據的預設情感標簽，計算情感分類損失。

7.根據權利要求1所述的情感識別模型的訓練方法，其特征在于，當所述情感識別數據集中各數據的標簽為連續的浮點值，所述根據所述情感特征數據以及所述情感識別數據集中各數據的預設情感標簽，計算情感分類學習損失具體為：

基于所述情感特征數據，使用情感回歸頭部網絡得到所述情感識別數據集中各數據的預測概率值；

根據所述預測概率值以及所述情感識別數據集中各數據的預設情感標簽，計算情感回歸損失。

8.根據權利要求1所述的情感識別模型的訓練方法，其特征在于，所述情感分類模型的結構相關的超參數通過隨機搜索Random Search或網格搜索Grid Search確定。

9.根據權利要求1所述的情感識別模型的訓練方法，其特征在于，所述情感分類模型具體為非均勻注意力模型或對話情感識別神經網絡模型。

10.根據權利要求1至9任一項所述的情感識別模型的訓練方法，其特征在于，所述根據所述情感特征數據以及所述情感識別數據集中各數據的預設情感標簽，計算情感學習損失之后，該情感識別模型的訓練方法還包括：

根據所述情感學習損失對情感分類模型進行參數預更新；

則所述根據由所述情感學習損失以及所述聚類損失進行系數加權得到的聯合損失對情感分類模型進行參數更新具體為：

根據由所述情感學習損失以及所述聚類損失進行系數加權得到的聯合損失，對預更新后的所述情感分類模型進行參數更新。