[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

本發明公開了一種情感識別模型及其訓練方法、裝置、設備及可讀存儲介質，屬于情感識別領域，用于對情感識別模型進行訓練。本申請可以通過預設聚類算法對情感特征數據進行聚類得到聚類中心，并結合映射到聚類中心空間的情感特征數據計算得到聚類損失，隨后將聚類損失與情感學習損失進行系數加權得到聯合損失并根據聯合損失對情感分類模型進行參數更新，以便完成訓練，由于聚類算法作為經典的無監督的學習方式，能夠在不需要數據標簽的情況下學習原始數據中潛在的特征表達并挖掘數據的本質特征，這種表達不帶有主觀的判別傾向，因此有利于提高情感分類的準確性。

技術領域

本發明涉及情感識別領域，特別是涉及一種情感識別模型的訓練方法，本發明還涉及一種情感識別模型及其訓練裝置、設備及計算機可讀存儲介質。

背景技術

情感識別是現下可應用于醫療保健，自動駕駛，情緒安撫，機器人等眾多領域中的熱門應用，由于人機交互方式的豐富，現在情感識別應用中的數據來源也呈現出多樣化的趨勢，情感識別可以從文本、音頻、視頻以及腦電等類型的數據源中識別出用戶的情緒（例如開心或者傷心等）。

領域內已經出現多種情感識別模型，但是這些模型在訓練過程中，一般都是將模型預測的輸出和原始數據實際的標簽進行情感學習損失函數的度量，這種度量方式雖然直接有效，但是也存在為了判別而判別的風險，即模型的目標只是為了分類，而錯誤的標簽也會參與模型的訓練過程，從而導致訓練出的情感識別模型進行情感識別的準確性較差。

因此，如何提供一種解決上述技術問題的方案是本領域技術人員目前需要解決的問題。

發明內容

本發明的目的是提供一種情感識別模型的訓練方法，由于聚類算法作為經典的無監督的學習方式，能夠在不需要數據標簽的情況下學習原始數據中潛在的特征表達并挖掘數據的本質特征，這種表達不帶有主觀的判別傾向，因此有利于提高情感分類的準確性；本發明的另一目的是提供一種情感識別模型及其訓練裝置、設備及計算機可讀存儲介質，由于聚類算法作為經典的無監督的學習方式，能夠在不需要數據標簽的情況下學習原始數據中潛在的特征表達并挖掘數據的本質特征，這種表達不帶有主觀的判別傾向，因此有利于提高情感分類的準確性。

為解決上述技術問題，本發明提供了一種情感識別模型的訓練方法，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。

優選地，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。

優選地，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。

優選地，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。

優選地，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。