[发明专利]表情符号预测方法及模型构建方法、装置、终端

说明书

本发明提供一种基于深度学习的表情符号预测方法，包括：对待预测文本进行预处理，得到文本向量；将文本向量输入预训练的表情符号预测模型，预测待预测文本对应的表情符号，其中，表情符号预测模型包含了词向量、长短神经网络、注意力机制等深度学习网络结构，通过从网络中采集到的海量原始文本数据对神经网络进行训练、测试并验证，以得到符合实际应用场景、预测精度较高的表情符号预测模型。本发明的方法利用基于深度学习的表情符号预测模型，能根据纯文本预测出最能描述用户情绪的表情符号，提高了预测精度；通过表情符号能更直观地反映文本所含的细粒度情绪倾向，更有效、直接地辅助分析者、决策者，快速了解和把握获用户的情感倾向。

技术领域

本发明涉及人工智能技术领域，具体而言，本发明涉及一种表情符号预测方法及模型构建方法、装置、终端。

背景技术

随着互联网的普及和社交网络的兴起，越来越多的用户习惯在网络上发布自己的观点和动态，微博便是其中最被广泛使用、流量最大的平台。微博的短文本不仅传达了用户所要传递、分享的客观信息，通常也蕴含着用户的情绪状态和观点态度。通过人工智能分析微博文本中所包含的情绪，有利于政府、企业等及时有效地掌握机构与个人的公众关系，了解实时舆论走向，做出制度和决策上的相应调整，提高事件处置效率，并维护自身形象。

现有的情绪分析方法仅分析用户的情感极性，如积极、消极倾向。考虑到情绪细化分类的情况下，情感类别也只局限于数种情感大类，分类方式较为粗放。日常生活的经验表明，仅仅以七情六欲来区别情感之间细微的差别是远远不够的。以Robert Plutchik的情绪色轮理论为例，情感可分为乐观、爱、顺从、敬畏、不赞同、悔恨、蔑视、侵略性8个大类，每个大类根据程度不同分为3个层次。举例而言，当用户的微博评论分别为“好可惜啊”和“气死我了”时，单单一个概括性的“消极倾向”无法反映差异明显的两个实际情感。

总结而言，由于情绪的多样性以及对情绪类别的粗略划分，现有的情绪分析方法，无法基于文本分析出用户细微的情感差别，在实际生活场景中的可用性较低。

发明内容

本发明的目的旨在至少能解决上述的技术缺陷之一。

第一方面，本发明提供一种表情符号预测模型的构建方法，包括如下步骤：

对原始文本数据进行预处理，得到文本向量；

提取所述原始文本数据中的表情符号，对所述表情符号进行编码；

用编码后的表情符号对所述文本向量进行标注，得到样本数据；

利用所述样本数据训练深度学习模型，得到用于预测文本对应的表情符号的表情符号预测模型。

进一步地，所述提取所述原始文本数据中的表情符号，对所述表情符号进行编码，包括：

提取所述原始文本数据中的表情符号；

判断所述表情符号是否包含在表情库中；

若所述表情符号在所述表情库中，则对所述表情符号进行编码。

进一步地，所述表情库的构建方法包括：

对从所述原始文本数据中提取到的表情符号进行统计，得到各个表情符号的使用频率；

根据各个表情符号的使用频率，结合情绪分类规则筛选出多个表情符号，构成表情库。

进一步地，所述对原始文本数据进行预处理，得到文本向量，包括：

过滤原始文本数据中的噪音信息；

对过滤噪音信息后的原始文本数据进行分词处理；

对分词得到的分词片段进行编码，得到文本向量。

进一步地，所述对分词得到的分词片段进行编码，得到文本向量，包括：