[发明专利]情感类型的识别方法和装置

说明书

本发明提供了一种情感类型的识别方法和装置，该方法包括：获取待识别的目标文本；使用人工智能模型，识别出目标文本所表达情感的情感类型，人工智能模型用于使用深度学习网络和注意力机制来深层次捕捉文本内容之间的关系，可以解决现有技术中模型对情感识别不准确的问题。

技术领域

本发明涉及互联网领域，具体而言，涉及一种情感类型的识别方法和装置。

背景技术

在业务处理过程，对来源于特定文本及相关评论，需要对文本的情感倾向做出判断，以便对文本情感做出快速分类，具体可基于深度学习的方法实现。

基于深度学习的通用模型涉及范围过广，对该特定文本及评论的数据拟合能力不够，在数据集上表现不佳。对于传统的文本处理方法来说，对于评论中长文本上，表现能力不佳。从而影响了识别的准确度。

发明内容

本发明的主要目的在于提供一种情感类型的识别方法和装置，以解决现有技术中模型对情感识别不准确的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种情感类型的识别方法，包括：获取待识别的目标文本；使用人工智能模型，识别出目标文本所表达情感的情感类型，人工智能模型用于使用深度学习网络和注意力机制来深层次捕捉文本内容之间的关系。

可选地，获取待识别的目标文本，包括：向用户提供登录接口；在用户使用合法帐号和密码，通过登录接口登录成功之后，接收用户通过登录接口发送的目标文本。

可选地，在获取待识别的目标文本之前，方法还包括：进行模型训练，得到预训练的人工智能模型；针对人工智能模型内置的超参数进行调优、评估及设置自定义结构；部署人工智能模型。

可选地，进行模型训练，得到预训练的人工智能模型，包括：获取特定样本；在原始模型具备对广泛文本的适应性的基础下，使用迁移学习，利用特定文本对原始模型进行训练，以在保证泛化能力的基础上，提高模型对适应文本的拟合度，得到人工智能模型。

可选地，使用迁移学习，利用特定文本对原始模型进行训练，包括：使用自定义数据读取函数，读取特定文本的文本数据；判断是否存在可用的GPU；在存在可用的GPU的情况下，对原始模型进行加载和初始化；使用迁移学习，利用特定文本的文本数据对原始模型进行训练迭代。

可选地，针对人工智能模型内置的超参数进行调优，包括：对学习率进行分阶段多次调整，并将批度大小设置为16。

可选地，对学习率进行分阶段多次调整，包括：在初始使用5e-6的初始学习率训练300个epoch后，调整学习率为2e-6，并且每200个epoch自然衰减5％的学习率。

可选地，针对人工智能模型内置的超参数进行评估，包括：评估方法使用交叉验证：在每次迭代的过程中，随机抽取全部数据的90％作为训练数据，剩余10％作为验证数据。

可选地，针对人工智能模型设置自定义结构，包括：自定义网络层：在模型末端添加自定义dense层，使用softmax激活函数约束输出结果为3。

为了实现上述目的，根据本发明的一个方面，提供了一种情感类型的识别装置，包括：获取单元，用于获取待识别的目标文本；识别单元，用于使用人工智能模型，识别出目标文本所表达情感的情感类型，人工智能模型用于使用深度学习网络和注意力机制来深层次捕捉文本内容之间的关系。

可选地，获取单元还用于在获取待识别的目标文本时，向用户提供登录接口；在用户使用合法帐号和密码，通过登录接口登录成功之后，接收用户通过登录接口发送的目标文本。

可选地，本申请的装置还可包括：训练单元，用于在获取待识别的目标文本之前，进行模型训练，得到预训练的人工智能模型；针对人工智能模型内置的超参数进行调优、评估及设置自定义结构；部署人工智能模型。