CN108509418A - 基于对话内容的用户异常情绪检测方法 - Google Patents

Abstract

本发明实施例公开一种基于对话内容的用户异常情绪检测方法，包括：从大量具有情感标注的对话文本中提取出语句和相应情感标签；将对话文本中用户A所说的语句看作是产品，用户B所说的话看作是对产品的评论，对话文本包含的对话过程相当于B对多个产品进行评论；利用对话文本包含的对话过程中用户A所说的语句的情感标签来进行分类，利用情感打分程序对用户B对用户A语句的回应进行情感打分，完成矩阵的构建；对构建的矩阵进行矩阵分解，得出用户个性矩阵，基于个性矩阵可以进行异常情绪检测。

Description

基于对话内容的用户异常情绪检测方法

技术领域

本发明涉及文本处理领域，尤其涉及一种基于对话内容的用户异常情绪检测方法。

背景技术

随着计算机网络的发展，人们更倾向于利用社交媒体来表达自己的情感，单个用户通过社交媒体抒发焦虑伤心等情绪，消费者对商品(如电影负面影评) 进行负面评价，民众对热点新闻(如微博热搜事件)的抨击等等，对用户进行情绪分析可以很好的检测异常情绪，及时的发现问题。

发明内容

本发明实施例提供一种基于对话内容的用户情绪分析方法，能够基于对话内容进行用户异常情绪检测。

本发明实施例采用如下技术方案：

一种基于对话内容的用户异常情绪检测方法，包括：

从大量具有情感标注的对话文本中提取出语句和相应情感标签；

将对话文本中用户A所说的语句看作是产品，用户B所说的话看作是对产品的评论，对话文本包含的对话过程相当于B对多个产品进行评论；

利用对话文本包含的对话过程中用户A所说的语句的情感标签来进行分类，利用情感打分程序对用户B对用户A语句的回应进行情感打分，完成矩阵的构建；

对构建的矩阵进行矩阵分解，得出用户个性矩阵，基于用户个性矩阵进行用户异常情绪检测。

可选的，所述基于异常情绪检测，检测出的异常包括：

通过计算用户B与正常用户个性向量的相似度，检测出用户B是否异常。

可选的，用户个性向量为用户个性矩阵中代表每位用户个性的多维行向量，检测用户B是否异常指用户B的个性向量与正常用户的个性向量的余弦相似度值是否符合正常范围。

可选的，所述根据用户B及正常用户的个性向量的余弦相似度利用公式计算得出用户B是否异常：

如果用户B与正常用户的个性向量余弦相似度值较高，则用户B无异常情绪。

基于上述技术方案的基于对话内容的用户异常情绪检测方法，从大量具有情感标注的对话文本中提取出语句和相应情感标签；将对话文本中用户A所说的语句看作是产品，用户B所说的话看作是对产品的评论，对话文本包含的对话过程相当于B对多个产品进行评论；利用对话文本包含的对话过程中用户A 所说的语句的情感标签来进行分类，利用情感打分程序对用户B对用户A语句的回应进行情感打分，完成矩阵的构建；对构建的矩阵进行矩阵分解，得出用户个性矩阵，基于用户个性矩阵进行异常情绪检测。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1为本发明实施例提供的一种基于对话内容的用户异常情绪检测方法的流程图。

图2为本发明实施例提供的另一种基于对话内容的用户异常情绪检测方法的流程图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

本发明实施例利用协同过滤对用户进行个性建模。将每段对话看作是一个用户，从具有情感标注的对话文本中提取出语句和相应情感标签，仿照产品推荐，构建一个包含多个用户情感的矩阵，最后进行矩阵分解操作，可以很容易地得到代表用户个性的矩阵。

如图1所示，本发明实施例提供一种基于对话内容的用户异常情绪检测方法，该方法包括：

11、从大量具有情感标注的对话文本中提取出语句和相应情感标签。

12、将对话文本中用户A所说的语句看作是产品，用户B所说的话看作是对产品的评论，对话文本包含的对话过程相当于B对多个产品进行评论。

本实施例中，A所说的语句已经打好标签，利用标签可以分类(看作产品，类别数目相当于是固定的)，B说的话相当于评论。如果实际有多组对话，每组对话相当于一个用户对多个产品对的评价，所以构建的矩阵可以是包含多个用户的矩阵。

13、利用对话文本包含的对话过程中用户A所说的语句的情感标签来进行分类，利用情感打分程序对用户B对用户A语句的回应进行情感打分，完成矩阵的构建。

14、对构建的矩阵进行矩阵分解，得出用户个性矩阵，基于用户个性矩阵进行用户异常情绪检测。

本实施例中，余弦相似度公式通常用来计算两个n维向量的夹角的余弦值，夹角越接近0°，两个向量越相似。

本实施例中，根据对话只构建一个包含多个用户的矩阵，得到的个性矩阵是利用协同过滤的思想进行矩阵分解得到的。

在一个实施例中，还包括：

基于用户个性矩阵进行异常情绪检测。

在一个实施例中，所述基于异常情绪检测，检测出的异常包括：

通过计算用户B与正常用户个性向量的相似度，检测出用户B是否异常。

在一个实施例中，用户个性向量为用户个性矩阵中代表每位用户个性的多维行向量，检测用户B是否异常指用户B的个性向量与正常用户的个性向量的余弦相似度值是否符合正常范围。

在一个实施例中，所述根据用户B及正常用户的个性向量的余弦相似度利用公式计算得出用户B是否异常：

如果用户B与正常用户的个性向量余弦相似度值较高，则用户B无异常情绪。

本实施例中，余弦相似度公式通常用来计算两个n维向量的夹角的余弦值，夹角越接近0°，两个向量越相似。

本发明实施例提供一种基于对话内容的用户异常情绪检测方法，如图2所示，该方法包括：

21、从大量具有情感标注的对话文本中提取出语句和相应情感标签；

22、将对话文本中用户A所说的语句看作是产品，用户B所说的话看作是对产品的评论，对话文本包含的对话过程相当于B对多个产品进行评论；

本发明实施例中，A所说的语句已经打好标签，利用标签可以分类(看作产品，类别数目相当于是固定的)，B说的话相当于评论，实际有多组对话，每组对话相当于一个用户对多个产品对的评价，构建的矩阵是包含多个用户的矩阵。

23、利用对话文本包含的对话过程中用户A所说的语句的情感标签来进行分类，利用情感打分程序对用户B对用户A语句的回应进行情感打分，完成矩阵的构建；

24、对构建的矩阵进行矩阵分解，得出用户的个性矩阵，基于用户的个性矩阵得出用户B是否出现异常。

例如，A和B在网上聊天，我们可以根据其对话过程来检测其聊天过程中情绪是否出现异常。

本发明实施例基于对话内容的用户异常情绪检测方法，从大量具有情感标注的对话文本中提取出语句和相应情感标签，将对话文本中用户A所说的语句看作是产品，用户B所说的话看作是对产品的评论，对话文本包含的对话过程相当于B对多个产品进行评论，利用对话文本包含的对话过程中用户A所说的语句的情感标签来进行分类，利用情感打分程序对用户B对用户A语句的回应进行情感打分，完成矩阵的构建，对构建的矩阵进行矩阵分解，得出用户的个性矩阵，基于用户的个性矩阵得出用户B是否出现异常。

以上已经描述了本发明的实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (4)

1.一种基于对话内容的用户异常情绪检测方法，其特征在于，包括：

从大量具有情感标注的对话文本中提取出语句和相应情感标签；

将对话文本中用户A所说的语句看作是产品，用户B所说的话看作是对产品的评论，对话文本包含的对话过程相当于B对多个产品进行评论；

利用对话文本包含的对话过程中用户A所说的语句的情感标签来进行分类，利用情感打分程序对用户B对用户A语句的回应进行情感打分，完成矩阵的构建；

对构建的矩阵进行矩阵分解，得出用户个性矩阵，基于用户个性矩阵进行用户异常情绪检测。

2.根据权利要求1所述的方法，其特征在于，所述基于异常情绪检测，检测出的异常包括：

通过计算用户B与正常用户个性向量的相似度，检测出用户B是否异常。

3.根据权利要求2所述的方法，其特征在于，用户个性向量为用户个性矩阵中代表每位用户个性的多维行向量，检测用户B是否异常指用户B的个性向量与正常用户的个性向量的余弦相似度值是否符合正常范围。

4.根据权利要求3所述的方法，其特征在于，所述根据用户B及正常用户的个性向量的余弦相似度利用公式计算得出用户B是否异常：

如果用户B与正常用户的个性向量余弦相似度值较高，则用户B无异常情绪。