CN109710934B - 基于情感的客服质量监督算法 - Google Patents
基于情感的客服质量监督算法 Download PDFInfo
- Publication number
- CN109710934B CN109710934B CN201811600680.5A CN201811600680A CN109710934B CN 109710934 B CN109710934 B CN 109710934B CN 201811600680 A CN201811600680 A CN 201811600680A CN 109710934 B CN109710934 B CN 109710934B
- Authority
- CN
- China
- Prior art keywords
- emotion
- customer service
- client
- neural network
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及情感变化分析技术领域,尤其是一种基于情感的客服质量监督算法,其步骤为:(1)以微博语料为基础,采用神经网络加注意力机制训练多情绪情感模型;(2)获取客户与客服多轮对话并进行预处理,得到客户与客服独立的问、答序列;(3)利用情感模型得到问、答序列中每句话的情感特征向量;(4)利用循环神经网络学习客户与客服多轮对话的情感特征向量序列;(5)采用softmax,生成客服服务满意度标签,并给出满意度值;(6)采用投票策略,最终生成客服服务满意度标签与满意度值,本发明解决了自动根据客户与客服多轮对话文本监督客服服务质量的任务。
Description
技术领域
本发明涉及情感变化分析技术领域,具体领域为一种基于情感的客服质量监督算法。
背景技术
随着科技的发展,人们生活的很多方面都从线下转为线上,比如购物、学习等,当人们进行线上活动时人们难免出现疑问,随之而来的是商家为客户提供的线上客服服务。客服的服务质量在一定程度上会影响到客户对该商家的评价,所以对客服的服务质量进行评价可以对客服进行监督,从而提升用户体验,增加用户的粘性。现有的客服质检任务一般采用基于规则或者人工抽检的方法,而每个商家一天接待的客户访问量是相当庞大的,这些方法无论在人力消耗还是质检覆盖率方面都存在缺陷,所以本文提出利用深度学习方法自动化的进行客服质检任务。
无论用户还是客服,问与答中都会蕴含一定的情绪,而情绪可以反映出客户对客服回答的满意程度,也可以反映出客服的服务态度,所以本文提出从情绪的角度出发,利用循环神经网络对用户与客服在多轮对话中的情绪变化进行分析,判断出用户对客服的回答是否满意。
随着深度学习的发展,循环神经网络被运用在很多序列型数据处理的场景中,各实验证明,循环神经网络在时序数据的处理上有着其独特的优势,特别是在文本数据的学习中,相较于词袋模型,其能更好地学习到文本上下文之间的联系,所以本文在情感模型及多轮对话的情感分析模型中均采用循环神经网络。
发明内容
本发明的目的在于提供一种基于情感的客服质量监督算法,以解决现有技术中根据客户与客服多轮对话文本监督客服服务质量的任务的问题。
为实现上述目的,本发明提供如下技术方案:一种基于情感的客服质量监督算法,其步骤为:
(1)以微博语料为基础,采用神经网络加注意力机制训练多情绪情感模型;
(2)获取客户与客服多轮对话并进行预处理,得到客户与客服独立的问、答序列;
(3)利用情感模型得到问、答序列中每句话的情感特征向量;
(4)利用循环神经网络学习客户与客服多轮对话的情感特征向量序列;
(5)采用softmax,生成客服服务满意度标签,并给出满意度值;
(6)采用投票策略,最终生成客服服务满意度标签与满意度值。
优选的,根据步骤(1)以微博语料为基础,采用神经网络加注意力机制训练多情绪情感模型:包括如下步骤:
(1.1)下载NLPCC2017、NLPCC2018emotiondetection数据集转储文件;
(1.2)加载外部字向量,并定义字向量矩阵M,共有m行n列,m-2为外部字典中字的数量,矩阵的行向量为wi=(p1,p2,...,pn),一个字wi共由n维特征表示;
(1.3)将训练集中短文本按字粒度切分,由先前定义的字向量矩阵中对应字符的字向量序列表示短文本;
(1.4)设定最长句子长度为max_len,对步骤1.3)中得到短文本表示根据max_len进行Padding和裁剪(Padding和裁剪操作均从句头开始),得到所有句子均为max_len长度的训练集;
(1.5)将训练数据等分成10份,进行10折交叉验证;
(1.6)利用双向循环神经网络学习短文本上下文信息,将前向与后向神经网络学习到的各时刻隐层输出拼接,得到双向循环神经网络的输出[s1,s2,...,sT];
(1.7)利用注意力机制计算出各时刻循环神经网络隐层输出的权重,,将短文本序列各时刻隐层输出加权求和得到短文本情感特征向量;
(1.8)利用softmax对短文本情感向量进行分类,得到短文本多情绪情感分布概率向量[m1,m2,...,mv],v为情绪类别数;
(1.9)将10折模型的结果求和取平均,得到短文本最终的情感分布概率向量,取概率最大的情绪类别为短文本情感标签。
优选的,根据步骤(2),获取客户与客服多轮对话信息并进行预处理,包括如下步骤:
(2.1)分离出多轮对话中客户说话内容与客服说话内容;
(2.2)将各方说话内容按时间序列排序。
优选的,根据步骤(3),利用情感模型得到问、答序列中每句话的情感特征向量,包括如下步骤:
(3.1)对步骤(2)中得到的客户说话内容的短句序列依次送入步骤(1)中得到的情感模型中,得到每个句子的情感特征向量,继而得到客户多轮对话情感向量序列;
(3.2)对步骤(2)中得到的客服说话内容的短句序列依次送入步骤(1)中得到的情感模型中,得到每个句子的情感特征向量,继而得到客服的多轮对话情感向量序列;
(3.3)将客户与客服句子构成问答对形式,即将在客户问句后的客服的多句回答的情感特征向量求和取平均,对客户的处理方式与客服的处理方式一致;
(3.4)设置多轮对话的最多对话轮数为max_turns,将(3.2)、(3.3)中得到的客户多轮对话情感向量序列和客服多轮对话情感特征向量根据max_turns进行Padding和裁剪操作。
优选的,所述的Padding和裁剪操作为在对话初进行Padding和裁剪。
优选的,根据步骤(4),利用循环神经网络分别学习客户与客服的问、答序列的情感特征向量序列,包括如下步骤:
(4.1)对步骤(3)中得到的多轮对话中客户说话内容的情感特征序列,利用循环神经网络学习客户蕴含在短文本中的情绪变化;
(4.2)对步骤(3)中得到的多轮对话中客服说话内容的情感特征序列,利用循环神经网络学习客服蕴含在短文本中的情绪变化;
(4.3)拼接客户与客服问、答序列中最后时刻的神经网络输出,将其作为多轮对话的特征向量。
优选的,根据步骤(5),采用softmax,生成客户满意度标签,并给出满意度值,包括如下步骤:
(5.1)将步骤(4)中得到的客户、客服多轮对话特征向量利用softmax计算该多轮对话客户满意度属于“不满意”、“满意”、“一般”各类别的概率;
(5.2)将多轮对话划分到概率最大的类别中,并按概率值排序。
优选的,根据步骤(6),采用投票策略,最终生成客服服务满意度标签与满意度值,包括如下步骤:
(6.1)将步骤(4)中的数据集划分成10等份;
(6.2)对每一份数据按照步骤(4)、步骤(5)训练出一个模型;
(6.3)将十个模型的的结果向量求和取平均得到最终的结果向量,将样本划分到概率最大的类别中,并按概率大小进行排序。
与现有技术相比,本发明的有益效果是:本发明以微博语料为基础,利用神经网络加注意力机制训练得到多情绪情感模型,根据训练好的情感模型得到客户与客服的多轮对话情感特征向量序列,然后利用循环神经网络学习多轮对话中客户与客服的情感变化,最终得到客户满意度结果。本发明能够自动化的根据客户与客服的对话文本判断出客服的服务质量。
附图说明
图1为本发明的算法示意图;
图2为本发明的客户与客服情感变化图;
图3为本发明的利用微博语料构建情感模型流程图;
图4为本发明的客服与客户多轮对话预处理示意图;
图5为本发明的客服质检模型示意图;
图6为本发明的生成客服质检结果流程图
图7为本发明的LSTM结构图.
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,分离出客户与客服多轮对话中客户与客服说话内容,将客户与客服说话内容利用已训练好的情感模型转换成情感特征向量,然后利用循环神经网络学习多轮对话中客户与客服的情感变化,最终得到客户满意度结果。客户与客服情感变化如图2(a)、(b)所示,从图2中可以看出客户的情绪中“生气”的得分普遍偏高,且客户情绪最终并未好转,而客服的情绪中虽然未出现“生气”等极恶劣情绪,但是特别在后段中因无法解决客户问题“难过”情绪普遍偏高,所以通过对此段对话中客户与客服情绪变化的分析可以判断该多轮对话中客服服务质量不佳。
表 用户与客服对话数据表
请参阅图1至7,本发明提供一种技术方案:一种基于情感的客服质量监督算法,其步骤为:
(1)以微博语料为基础,采用神经网络加注意力机制训练多情绪情感模型;
(2)获取客户与客服多轮对话并进行预处理,得到客户与客服独立的问、答序列;
(3)利用情感模型得到问、答序列中每句话的情感特征向量;
(4)利用循环神经网络学习客户与客服多轮对话的情感特征向量序列;
(5)采用softmax,生成客服服务满意度标签,并给出满意度值;
(6)采用投票策略,最终生成客服服务满意度标签与满意度值。
根据步骤(1)以微博语料为基础,采用神经网络加注意力机制训练多情绪情感模型:包括如下步骤:
(1.1)下载NLPCC2017、NLPCC2018emotiondetection数据集转储文件;
(1.2)加载外部字向量,并定义字向量矩阵M,共有m行n列,m-2为外部字典中字的数量,矩阵的行向量为wi=(p1,p2,...,pn),一个字wi共由n维特征表示;
(1.3)将训练集中短文本按字粒度切分,比如“我爱北京天安门。”按字粒度划分为:“我爱北京天安门。”,由先前定义的字向量矩阵中对应字符的字向量序列表示短文本;
(1.4)设定最长句子长度为max_len,对步骤1.3)中得到短文本表示根据max_len进行Padding和裁剪(Padding和裁剪操作均从句头开始),得到所有句子均为max_len长度的训练集,例如,假设max_len为10,有两个句子:“我爱北京天安门。”、“今天去游泳了,终于学会了蛙泳,好开心啊!”,步骤1.4后得到的结果分别为:“PAD PAD我爱北京天安门。”、“会了蛙泳,好开心啊!”,其中PAD为填充字,取字向量表中的第一行向量;
(1.5)将训练数据等分成10份,进行10折交叉验证;
(1.6)利用双向循环神经网络学习短文本上下文信息,将前向与后向神经网络学习到的各时刻隐层输出拼接,得到双向循环神经网络的输出[s1,s2,...,sT];
(1.7)利用注意力机制计算出各时刻循环神经网络隐层输出的权重,,将短文本序列各时刻隐层输出加权求和得到短文本情感特征向量,整个过程如公式(1)-(3)所示,c为全局上下文向量;
ui=c·si (1)
αi=soft max(ui) (2)
(1.8)利用softmax对短文本情感向量进行分类,得到短文本多情绪情感分布概率向量[m1,m2,...,mv],v为情绪类别数;
(1.9)将10折模型的结果求和取平均,得到短文本最终的情感分布概率向量,取概率最大的情绪类别为短文本情感标签。
根据步骤(2),获取客户与客服多轮对话信息并进行预处理,包括如下步骤:
(2.1)分离出多轮对话中客户说话内容与客服说话内容;
(2.2)将各方说话内容按时间序列排序。
根据步骤(3),利用情感模型得到问、答序列中每句话的情感特征向量,包括如下步骤:
(3.1)对步骤(2)中得到的客户说话内容的短句序列依次送入步骤(1)中得到的情感模型中,得到每个句子的情感特征向量,继而得到客户多轮对话情感向量序列;
(3.2)对步骤(2)中得到的客服说话内容的短句序列依次送入步骤(1)中得到的情感模型中,得到每个句子的情感特征向量,继而得到客服的多轮对话情感向量序列;
(3.3)将客户与客服句子构成问答对形式,即将在客户问句后的客服的多句回答的情感特征向量求和取平均,对客户的处理方式与客服的处理方式一致,例如有在某一轮问答中有如下对话:
客服:她现在可能也非常的自责呢我们让她给您道歉您看可以吗?->s
客户:等投诉吧->c1
客户:故意作对这叫自责吗->c2
客户:我不会接受她道歉->c3
在客服回答完后,客户做出了多句回应,此时将客服的说话内容和客户回应的三句话分别进入情感模型得到情感向量s、c1、c2、c3,并将三句话的情感向量求和取平均c=(c1+c2+c3)/3,得到一轮问答对的情感向量(s,c);
(3.4)设置多轮对话的最多对话轮数为max_turns,将(3.2)、(3.3)中得到的客户多轮对话情感向量序列和客服多轮对话情感特征向量根据max_turns进行Padding和裁剪操作。
所述的Padding和裁剪操作为在对话初进行Padding和裁剪。
根据步骤(4),利用循环神经网络分别学习客户与客服的问、答序列的情感特征向量序列,包括如下步骤:
(4.1)对步骤(3)中得到的多轮对话中客户说话内容的情感特征序列,利用循环神经网络学习客户蕴含在短文本中的情绪变化,LSTM结构图如图7所示,公式如公式(4)~(9)所示,其中σ表示sigmod函数;
ft=σ(Wf·[ht-1,xt]+bf) (4)
it=σ(Wi·[ht-1,xt]+bi) (5)
ot=σ(Wo·[ht-1,xt]+bo) (8)
ht=ot*tanh(ct) (9);
(4.2)对步骤(3)中得到的多轮对话中客服说话内容的情感特征序列,利用循环神经网络(LSTM)学习客服蕴含在短文本中的情绪变化;
(4.3)拼接客户与客服问、答序列中最后时刻的神经网络输出,将其作为多轮对话的特征向量。
根据步骤(5),采用softmax,生成客户满意度标签,并给出满意度值,包括如下步骤:
(5.1)将步骤(4)中得到的客户、客服多轮对话特征向量利用softmax(如公式(10)所示)计算该多轮对话客户满意度属于“不满意”、“满意”、“一般”各类别的概率;
(5.2)将多轮对话划分到概率最大的类别中,并按概率值排序。
根据步骤(6),采用投票策略,最终生成客服服务满意度标签与满意度值,包括如下步骤:
(6.1)将步骤(4)中的数据集划分成10等份;
(6.2)对每一份数据按照步骤(4)、步骤(5)训练出一个模型;
(6.3)将十个模型的的结果向量求和取平均得到最终的结果向量,将样本划分到概率最大的类别中,并按概率大小进行排序。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于情感的客服质量监督算法,其特征在于:其步骤为:
(1)以微博语料为基础,采用神经网络加注意力机制训练多情绪情感模型;
(2)获取客户与客服多轮对话并进行预处理,得到客户与客服独立的问、答序列;
(3)利用情感模型得到问、答序列中每句话的情感特征向量;
(4)利用循环神经网络学习客户与客服多轮对话的情感特征向量序列;
(5)采用softmax,生成客服服务满意度标签,并给出满意度值;
(6)采用投票策略,最终生成客服服务满意度标签与满意度值,其中,根据步骤(1)以微博语料为基础,采用神经网络加注意力机制训练多情绪情感模型:包括如下步骤:
(1.1)下载NLPCC2017、NLPCC2018emotiondetection数据集转储文件;
(1.2)加载外部字向量,并定义字向量矩阵M,共有m行n列,m-2为外部字典中字的数量,矩阵的行向量为wi=(p1,p2,...,pn),一个字wi共由n维特征表示;
(1.3)将训练集中短文本按字粒度切分,由先前定义的字向量矩阵中对应字符的字向量序列表示短文本;
(1.4)设定最长句子长度为max_len,对步骤(1.3)中得到短文本表示根据max_len进行Padding和裁剪(Padding和裁剪操作均从句头开始),得到所有句子均为max_len长度的训练集;
(1.5)将训练数据等分成10份,进行10折交叉验证;
(1.6)利用双向循环神经网络学习短文本上下文信息,将前向与后向神经网络学习到的各时刻隐层输出拼接,得到双向循环神经网络的输出
[s1,s2,...,sT];
(1.7)利用注意力机制计算出各时刻循环神经网络隐层输出的权重,将短文本序列各时刻隐层输出加权求和得到短文本情感特征向量;
(1.8)利用softmax对短文本情感向量进行分类,得到短文本多情绪情感分布概率向量[m1,m2,...,mv],v为情绪类别数;
(1.9)将10折模型的结果求和取平均,得到短文本最终的情感分布概率向量,取概率最大的情绪类别为短文本情感标签。
2.根据权利要求1所述的基于情感的客服质量监督算法,其特征在于:根据步骤(2),获取客户与客服多轮对话信息并进行预处理,包括如下步骤:
(2.1)分离出多轮对话中客户说话内容与客服说话内容;
(2.2)将各方说话内容按时间序列排序。
3.根据权利要求2所述的基于情感的客服质量监督算法,其特征在于:根据步骤(3),利用情感模型得到问、答序列中每句话的情感特征向量,包括如下步骤:
(3.1)对步骤(2)中得到的客户说话内容的短句序列依次送入步骤(1)中得到的情感模型中,得到每个句子的情感特征向量,继而得到客户多轮对话情感向量序列;
(3.2)对步骤(2)中得到的客服说话内容的短句序列依次送入步骤(1)中得到的情感模型中,得到每个句子的情感特征向量,继而得到客服的多轮对话情感向量序列;
(3.3)将客户与客服句子构成问答对形式,即将在客户问句后的客服的多句回答的情感特征向量求和取平均,对客户的处理方式与客服的处理方式一致;
(3.4)设置多轮对话的最多对话轮数为max_turns,将(3.2)、(3.3)中得到的客户多轮对话情感向量序列和客服多轮对话情感特征向量根据max_turns进行Padding和裁剪操作。
4.根据权利要求3所述的基于情感的客服质量监督算法,其特征在于:所述的Padding和裁剪操作为在对话初进行Padding和裁剪。
5.根据权利要求1所述的基于情感的客服质量监督算法,其特征在于:根据步骤(4),利用循环神经网络分别学习客户与客服的问、答序列的情感特征向量序列,包括如下步骤:
(4.1)对步骤(3)中得到的多轮对话中客户说话内容的情感特征序列,利用循环神经网络学习客户蕴含在短文本中的情绪变化;
(4.2)对步骤(3)中得到的多轮对话中客服说话内容的情感特征序列,利用循环神经网络学习客服蕴含在短文本中的情绪变化;
(4.3)拼接客户与客服问、答序列中最后时刻的神经网络输出,将其作为多轮对话的特征向量。
6.根据权利要求1所述的基于情感的客服质量监督算法,其特征在于:根据步骤(5),采用softmax,生成客户满意度标签,并给出满意度值,包括如下步骤:
(5.1)将步骤(4)中得到的客户、客服多轮对话特征向量利用softmax计算该多轮对话客户满意度属于“不满意”、“满意”、“一般”各类别的概率;
(5.2)将多轮对话划分到概率最大的类别中,并按概率值排序。
7.根据权利要求1所述的基于情感的客服质量监督算法,其特征在于:根据步骤(6),采用投票策略,最终生成客服服务满意度标签与满意度值,包括如下步骤:
(6.1)将步骤(4)中的数据集划分成10等份;
(6.2)对每一份数据按照步骤(4)、步骤(5)训练出一个模型;
(6.3)将十个模型的的结果向量求和取平均得到最终的结果向量,将样本划分到概率最大的类别中,并按概率大小进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600680.5A CN109710934B (zh) | 2018-12-26 | 2018-12-26 | 基于情感的客服质量监督算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600680.5A CN109710934B (zh) | 2018-12-26 | 2018-12-26 | 基于情感的客服质量监督算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109710934A CN109710934A (zh) | 2019-05-03 |
CN109710934B true CN109710934B (zh) | 2023-07-07 |
Family
ID=66258380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811600680.5A Active CN109710934B (zh) | 2018-12-26 | 2018-12-26 | 基于情感的客服质量监督算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109710934B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909131A (zh) * | 2019-11-26 | 2020-03-24 | 携程计算机技术(上海)有限公司 | 模型的生成方法、情绪识别方法、***、设备和存储介质 |
CN111598485A (zh) * | 2020-05-28 | 2020-08-28 | 成都晓多科技有限公司 | 一种多维度智能质检方法、装置、终端设备及介质 |
CN113240436A (zh) * | 2021-04-22 | 2021-08-10 | 北京沃东天骏信息技术有限公司 | 在线客服话术质检的方法和装置 |
CN113901194A (zh) * | 2021-12-08 | 2022-01-07 | 深圳市一号互联科技有限公司 | 客服匹配方法及相关设备 |
CN116303947B (zh) * | 2023-02-24 | 2024-01-19 | 首都师范大学 | 一种问答文本的情绪识别方法、装置及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885726A (zh) * | 2017-11-06 | 2018-04-06 | 广州杰赛科技股份有限公司 | 客服质量评价方法和装置 |
CN108108849A (zh) * | 2017-12-31 | 2018-06-01 | 厦门大学 | 一种基于弱监督多模态深度学习的微博情感预测方法 |
CN108647205B (zh) * | 2018-05-02 | 2022-02-15 | 深圳前海微众银行股份有限公司 | 细粒度情感分析模型构建方法、设备及可读存储介质 |
-
2018
- 2018-12-26 CN CN201811600680.5A patent/CN109710934B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109710934A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109710934B (zh) | 基于情感的客服质量监督算法 | |
CN107330130B (zh) | 一种向人工客服推荐回复内容的对话机器人的实现方法 | |
CN108829662A (zh) | 一种基于条件随机场结构化注意力网络的对话行为识别方法及*** | |
CN107943784B (zh) | 基于生成对抗网络的关系抽取方法 | |
CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
CN108763216A (zh) | 一种基于中文数据集的文本情感分析方法 | |
CN107958091A (zh) | 一种基于金融垂直知识图谱的nlp人工智能方法及交互*** | |
CN107247702A (zh) | 一种文本情感分析处理方法和*** | |
US20230394247A1 (en) | Human-machine collaborative conversation interaction system and method | |
Wang et al. | Automatic generation of sentimental texts via mixture adversarial networks | |
CN107944911A (zh) | 一种基于文本分析的推荐***的推荐方法 | |
CN105989550A (zh) | 一种在线服务评价信息确定方法及设备 | |
CN110415071A (zh) | 一种基于观点挖掘分析的汽车竞品对比方法 | |
CN109558935A (zh) | 基于深度学习的情感识别与交互方法及*** | |
CN113420129A (zh) | 一种基于大型通用预训练模型控制对话生成的方法 | |
CN114494529A (zh) | 一种基于代价敏感学习的人脸属性编辑方法 | |
CN116245110A (zh) | 基于图注意力网络的多维度信息融合用户立场检测方法 | |
CN113486174B (zh) | 模型训练、阅读理解方法、装置、电子设备及存储介质 | |
CN108121823A (zh) | Babbling情感对话生成***及方法 | |
Vedavathi et al. | Deep flamingo search and reinforcement learning based recommendation system for e-learning platform using social media | |
CN113449661B (zh) | 一种基于注意力机制的自适应微表情识别方法 | |
CN115758218A (zh) | 一种基于长短时特征和决策融合的三模态情感分析方法 | |
Li et al. | A computational approach to finding contradictions in user opinionated text | |
CN115730607A (zh) | 对话检测模型训练方法及装置 | |
CN115186678A (zh) | 一种智能问答***中提问的情感倾向分析方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |