[發明專利]情緒檢測方法、裝置、終端設備與可讀存儲介質

在審

• 申請號: 202211250614.6
• 申請日: 2022-10-12
• 公開（公告）號: CN115599883A
• 公開（公告）日: 2023-01-13
• 發明（設計）人: 張震濤;曹曉歡;趙文婷;文俊杰;李金龍
• 申請（專利權）人: 招商銀行股份有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/35;G06F18/241;G06N3/04;G06N3/08;G10L15/26;G10L25/63
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 胥巧莉

本發明公開了一種情緒檢測方法、裝置、終端設備與可讀存儲介質，該方法包括：獲取音頻數據，并將所述音頻數據轉化為初始文本數據，將所述初始文本數據拆分成第一文本數據及第二文本數據，并為所述第一文本數據添加袋標注，將所述第二文本數據輸入預置語言糾錯模型，得到第三文本數據，將所述第三文本數據輸入情緒檢測模型，檢測到所述第三文本數據對應的情緒參數，基于目前銀行網點受噪聲雜音等影響導致采集的樣本信息不準確，單句級別語料標注困難的角度出發，通過基于BERT的語言模型對語料進行智能糾錯，降低噪聲數據對檢測結果的影響，通過情緒檢測模型構建段落到單句的映射關系，最終提高銀行網點情緒檢測的準確性。

技術領域

本發明涉及數據處理領域，尤其涉及一種情緒檢測方法、裝置、終端設備與可讀存儲介質。

背景技術

隨著銀行網點經營管理逐步向著更高服務質量推進，提高客戶體驗是其中一個重要努力目標，這需要網點具備準確分析客戶情緒狀況的能力。

目前客戶情緒檢測的方法為，基于大量用戶樣本數據進行強監督機器學習訓練神經網絡，得到情緒檢測模型，然后用于檢測情緒。通常訓練的方式為：將神經網絡的輸出結果與輸入樣本對應的標簽進行比對，根據比對結果調整神經網絡中的權重參數，直至模型收斂得到檢測模型，然后通過檢測模型對輸入數據進行檢測，然后輸出檢測結果。

這種檢測模型的訓練方式為強監督有標簽訓練，由于標簽作為檢驗模型輸出的標準，因此模型輸出結果的準確性非常依賴訓練時輸入數據的標簽標注質量，而銀行網點場景下的輸入數據的處理維度為單句級，單句數據的標簽標注需要結合上下文語義信息才能進行，若預處理時構建的標簽，僅對應輸入單句本身，不結合上下文語義信息，標簽很難正確表達實際含義，而使用不正確的標簽會導致最終模型檢測的準確性存在較大偏差。

發明內容

本發明的主要目的在于提供一種情緒檢測方法、裝置、終端設備與可讀存儲介質，旨在解決目前訓練模型時，單句數據的標簽標注難度大，導致情緒檢測結果不準確的技術問題，提高模型的可靠性。

為實現上述目的，本發明提供一種情緒檢測方法，所述情緒檢測方法包括以下步驟：

獲取音頻數據，并將所述音頻數據轉化為初始文本數據；

將所述初始文本數據拆分成第一文本數據及第二文本數據，并為所述第一文本數據添加袋標注；

將所述第二文本數據輸入預置語言糾錯模型，得到第三文本數據；

將所述第三文本數據輸入情緒檢測模型，檢測到所述第三文本數據對應的情緒參數。

可選地，所述將所述第三文本數據輸入情緒檢測模型，基于所述第二文本數據與所述第三文本數據的映射關系，檢測到所述第三文本數據對應的情緒的步驟之前，還包括：

獲取所述第三文本數據對應的訓練集；

基于所述訓練集及所述訓練集對應的所述袋標注，結合所述訓練集與所述袋標注的映射關系，訓練預置神經網絡模型，得到情緒檢測模型。

可選地，所述基于所述訓練集及所述訓練集對應的所述袋標注，結合所述訓練集與所述袋標注的映射關系，訓練預置神經網絡模型，得到情緒檢測模型的步驟包括：

獲取將所述第三文本數據對應的訓練集輸入至所述預置神經網絡模型后，所述預置神經網絡模型輸出的訓練結果；

將所述訓練結果及所述袋標注輸入至預設的損失函數中，得到所述損失函數輸出的損失值；

基于所述損失值對所述預置神經網絡模型進行調整，直至收斂，得到所述情緒檢測模型。

所述將所述訓練結果及所述袋標注輸入至預設的損失函數中，得到所述損失函數輸出的損失值的步驟之后，還包括：

基于所述損失值確定所述情緒檢測模型對所述第二文本數據的情緒檢測的準確率。