CN117808011B - 一种带有模拟情绪的聊天机器人的方法、介质及*** - Google Patents
一种带有模拟情绪的聊天机器人的方法、介质及*** Download PDFInfo
- Publication number
- CN117808011B CN117808011B CN202410231366.3A CN202410231366A CN117808011B CN 117808011 B CN117808011 B CN 117808011B CN 202410231366 A CN202410231366 A CN 202410231366A CN 117808011 B CN117808011 B CN 117808011B
- Authority
- CN
- China
- Prior art keywords
- emotion
- term
- vector
- short
- text
- 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
- 230000008451 emotion Effects 0.000 title claims abstract description 284
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 162
- 230000007774 longterm Effects 0.000 claims abstract description 69
- 230000002996 emotional effect Effects 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012300 Sequence Analysis Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 12
- 230000003993 interaction Effects 0.000 description 8
- 230000004927 fusion Effects 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000036651 mood Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Machine Translation (AREA)
- Manipulator (AREA)
Abstract
本发明提供了一种带有模拟情绪的聊天机器人的方法、介质及***，属于聊天机器人技术领域，该带有模拟情绪的聊天机器人的方法、介质及***，包括以下步骤：初始化基于大语言模型的聊天机器人的初始情绪状态；接收用户的输入并进行语义分析，提取短期主题文本以及短期情感倾向文本；根据用户的全部输入，进行语义分析，提取长期情感倾向文本；更新机器人的短期情绪向量；融合短期情绪向量与长期情绪向量，作为回答情绪向量；获取聊天机器人基于用户问题的输出文本，并利用文本情绪调整模型，根据回答情绪向量进行调整，得到带有情绪的输出文本，输出给用户；重复上述步骤；本发明能够方便机器人与用户建立情感联系，提高用户体验。
Description
技术领域
本发明属于聊天机器人技术领域，具体而言，涉及一种带有模拟情绪的聊天机器人的方法、介质及***。
背景技术
随着人工智能技术的飞速发展，聊天机器人已广泛应用于客服支持、个人助理、在线咨询等多个场景。现有技术中，聊天机器人的核心通常是基于大语言模型，如GPT（Generative Pre-trained Transformer）和BERT（Bidirectional EncoderRepresentations from Transformers），这些模型能够理解和生成自然语言文本。
然而，现有的聊天机器人在情绪表达和理解方面仍有不足。大多数机器人缺乏对用户情绪状态的持续跟踪和相应的情绪表达能力，仅能提供基于逻辑的、缺乏情感色彩的回复。这导致在实际应用中，机器人难以建立与用户的情感联系，影响用户体验。
发明内容
有鉴于此，本发明提供一种带有模拟情绪的聊天机器人的方法、介质及***，能够解决机器人在与用户交互过程中缺乏情绪表达的问题，方便机器人与用户建立情感联系，提高用户体验。
本发明是这样实现的：
本发明的第一方面提供一种带有模拟情绪的聊天机器人的方法，其中，包括以下步骤：
S10、初始化基于大语言模型的聊天机器人的初始情绪状态，包括设置长期情绪向量和短期情绪向量，其中，所述长期情绪向量与所述短期情绪向量在初始化时相同；所述长期情绪向量和所述短期情绪向量均为一个包括有多个情绪指标的向量，向量的每个元素表示对应情绪指标的权重，且所述长期情绪向量中每个元素的取值范围大于所述短期情绪向量中每个元素的取值范围；
S20、接收用户的输入并进行语义分析，提取短期主题文本以及短期情感倾向文本；根据用户的全部输入，进行语义分析，提取长期情感倾向文本；
S30、根据所述短期情感倾向文本更新机器人的短期情绪向量，根据所述长期情感倾向文本更新机器人的长期情绪向量；
S40、融合所述短期情绪向量与所述长期情绪向量，作为回答情绪向量；
S50、获取聊天机器人基于用户问题的输出文本，并利用预先训练好的文本情绪调整模型，根据所述回答情绪向量进行调整，得到带有情绪的输出文本，并输出给用户；
S60、重复上述步骤S20至S50，直到用户停止与聊天机器人交互。
在上述技术方案的基础上，本发明的一种带有模拟情绪的聊天机器人的方法还可以做如下改进:
其中，所述S10的具体步骤包括：
构建含有多维情感特征的初始长短期情绪向量；
采用预训练语言模型赋值法为情绪向量初始化；
设置两向量价值范围，所述长期情绪向量范围大于所述短期情绪向量范围。
采用上述改进方案的有益效果为：通过设置长期情绪向量，方便奠定交互过程的情绪基调；通过设置短期情绪向量，方便机器人根据交互过程中用户输入文本的情绪及时调整回复的情绪；通过设置长期情绪向量范围大于短期情绪向量范围，保证了交互过程的情绪基调以初始情绪状态为主。
进一步的，所述S20的具体步骤包括：
对输入文本进行预处理；
运用注意力机制模型解析文本语义，输出问题短期主题词向量；
结合卷积神经网络、循环神经网络分析文本在正面和负面情感上的偏向，输出短期情绪向量。
采用上述改进方案的有益效果为：通过获取短期情绪向量，方便获取当前用户的情绪倾向，从而方便及时调整。
进一步的，所述预处理包括分词、词性标注、停用词过滤。
进一步的，所述S30的具体步骤包括：
直接叠加短期情绪向量的变化更新短期向量；
计算长期向量的加权平均法，既考虑新变化也保留历史状态，更新长期情绪向量。
采用上述改进方案的有益效果为：通过根据更新后的短期情绪向量更新长期情绪向量，使得情绪变化连续不突兀。
进一步的，所述S40的具体步骤包括：
计算当前短期和长期情绪向量的加权平均或拼接，作为回复语句的情绪向量。
进一步的，所述S50的具体步骤包括：
先用语言模型生成回复语料的语义框架；
再利用回答情绪向量微调语句方式、词汇，生成情绪化输出文本。
采用上述改进方案的有益效果为：在这一步骤中，使用情绪化输出文本与用户交互，使得机器人与用户交互过程中更人性化。
进一步的，所述语言模型为Seq2Seq或GPT-3。
进一步的，文本情绪调整模型的建立和训练步骤包括：
构建大规模含情感标注的训练语料；
采用SeqGAN模型预训练序列生成；
使用回答情绪向量进行微调，获得文本情绪转换模型。
进一步的，所述情绪向量至少包括高兴、悲伤、放松、紧张。
本发明的第二方面提供一种计算机存储介质，其中，包含有如上述的一种带有模拟情绪的聊天机器人的方法。
本发明的第三方面提供一种带有模拟情绪的聊天机器人的***，其中，包含有如上述的计算机存储介质。
本发明提出的一种带有模拟情绪的聊天机器人的方法，通过引入长期情绪向量和短期情绪向量，能够更好地模拟和表达情绪，从而提高用户交互的自然度和满意度。相较于现有技术，本发明的技术效果包括：
1.动态情绪跟踪：通过更新长期和短期情绪向量，机器人能够根据用户的输入动态调整其情绪状态，从而更贴近真实的人类情绪变化；
2.情绪融合输出：结合长短期情绪信息生成回答情绪向量，使得机器人生成的回答不仅在内容上符合用户的期待，同时在情感上也更为贴切；
3.持续学习优化：随着用户交互的进行，机器人能够持续优化其情绪模型，实现个性化交互体验。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为一种带有模拟情绪的聊天机器人的方法的流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。
实施例一
如图1所示，是本发明第一方面提供一种带有模拟情绪的聊天机器人的方法流程图，在本实施例中，包括以下步骤：
S10、初始化基于大语言模型的聊天机器人的初始情绪状态，包括设置长期情绪向量和短期情绪向量，其中，长期情绪向量与短期情绪向量在初始化时相同；长期情绪向量和短期情绪向量均为一个包括有多个情绪指标的向量，向量的每个元素表示对应情绪指标的权重，且长期情绪向量中每个元素的取值范围大于短期情绪向量中每个元素的取值范围；
聊天机器人的情绪状态初始化是整个***运行的基础。在这一步，需要创建长期情绪向量和短期情绪向量，这两个向量包含多个情绪维度，如“快乐”、“悲伤”、“惊讶”、“愤怒”、“恐惧”等，每个维度都有一个权重值，表示该情绪的强度。初始化过程可以通过对话历史语料库进行统计分析，使用情感分析工具如TextBlob或VADER来为每个情绪维度赋予一个初始权重。这些权重可以通过人为设定，也可以通过机器学习算法，从人类对话中学习得到。长期情绪向量在初始化时与短期情绪向量相同，但长期情绪向量的每个元素的取值范围要大于短期情绪向量，以反映长期情绪的稳定性。
S20、接收用户的输入并进行语义分析，提取短期主题文本以及短期情感倾向文本；根据用户的全部输入，进行语义分析，提取长期情感倾向文本；
在接收用户输入时，需要对输入的文本进行预处理，包括中文分词、停用词过滤、词性标注等，以便提取有效信息。利用自然语言处理（NLP）技术，如BERT或GPT模型，对用户输入进行深入的语义分析，从中提取短期主题和情绪倾向。这一步骤也需要分析用户的历史输入，以提取长期情感倾向。这里可以引入时间序列分析技术，如长短时记忆网络（LSTM），来跟踪用户情感的变化趋势。此外，可以使用无监督学习方法，如主题模型LDA，来识别用户话语中的长期主题倾向。
S30、根据短期情感倾向文本更新机器人的短期情绪向量，根据长期情感倾向文本更新机器人的长期情绪向量；
基于步骤S20的分析结果，更新聊天机器人的情绪状态。短期情绪向量主要反映用户当前输入带来的情绪变化，可以采用简单的加法或者基于规则的更新方法。长期情绪向量则更为复杂，它需要综合历史数据和当前输入，采用滑动平均或指数衰减的方式来更新。在这一步骤中，可以引入情绪衰减系数，以模拟人类情绪随时间变化的自然规律。例如，可以为每个情绪维度设置一个衰减系数，使得情绪状态能够随着时间逐渐趋于稳定。
S40、融合短期情绪向量与长期情绪向量，作为回答情绪向量；
在回答用户问题之前，需要合并短期和长期情绪向量，以得到一个综合的情绪状态，这一状态将指导聊天机器人的回答风格和内容。融合策略可以是加权平均，也可以是更复杂的模型，例如使用神经网络来学***衡点，使机器人的回答既能够体现当前的情绪变化，又不失去长期情绪背景的连贯性。
S50、获取聊天机器人基于用户问题的输出文本，并利用预先训练好的文本情绪调整模型，根据回答情绪向量进行调整，得到带有情绪的输出文本，并输出给用户；
在获得综合情绪向量后，聊天机器人使用基于语言模型的生成技术，如GPT-3或自定义的seq2seq模型，来生成回答的初稿。然后，通过一个专门训练的文本情绪调整模型，根据综合情绪向量调整回答的语气和风格。这个调整模型可以是一个微调过的Transformer网络，它学习如何根据不同的情绪状态选择合适的词汇和句式。在这一步骤中，可以使用情感标注的大规模语料库来训练调整模型，以便它能够捕捉到细微的情感差异。
S60、重复上述步骤S20至S50，直到用户停止与聊天机器人交互。
最后，聊天机器人持续与用户进行交互，重复执行步骤S20至S50。在这个过程中，机器人不断学习和适应用户的特点，使其生成的回答更加人性化和个性化。这个步骤还包括了对话管理机制，以确保对话的流畅性和连贯性。对话管理可以通过设置对话历史窗口和跟踪对话状态来实现，同时还要考虑如何优雅地处理用户的非预期输入和结束对话的情况。
其中，文本情绪调整模型的建立和训练步骤如下：
1.构建大规模情感语料库作为训练集：
公开的论坛、社交媒体等中抽取大量带有明确情感标签(如正面/负面)的语料，也可以通过词典等资源为普通语料标注情感标签，构建训练用的情感语料库。
2.预训练Transformer类文本生成模型：
基于收集的大规模情感语料库，可以预先训练GPT、BERT等 Transformer结构的语言模型，学习文本的语法、语义特征。这里拟采用GPT模型。
3.情感特征注入：
在GPT模型的预训练基础上，将情感向量表示注入到模型的解码器段。具体是在每个Decode Block的末尾，加入根据情绪向量生成的情感特征向量，指导解码器生成不同情绪色彩的语言。
4.微调模型参数：
在注入情感特征后，使用构建的情感语料库继续微调该GPT模型，特别调整注入特征部分的参数，使其能够缩小情感语料和生成语料在特征层面的差异，实现情绪迁移。微调目标是生成与情感标签一致的文本。
5.应用回复情绪向量：
在聊天过程中，根据回复语句的情绪向量，把向量输入该微调后的GPT模型，控制其生成对应情感颜色的回复语料。
实施例二
如图1所示，是本发明第一方面提供一种带有模拟情绪的聊天机器人的方法流程图，在本实施例中，包括以下步骤：
S10、初始化基于大语言模型的聊天机器人的初始情绪状态，包括设置长期情绪向量和短期情绪向量，其中，长期情绪向量与短期情绪向量在初始化时相同；长期情绪向量和短期情绪向量均为一个包括有多个情绪指标的向量，向量的每个元素表示对应情绪指标的权重，且长期情绪向量中每个元素的取值范围大于短期情绪向量中每个元素的取值范围；
S20、接收用户的输入并进行语义分析，提取短期主题文本以及短期情感倾向文本；根据用户的全部输入，进行语义分析，提取长期情感倾向文本；
S30、根据短期情感倾向文本更新机器人的短期情绪向量，根据长期情感倾向文本更新机器人的长期情绪向量；
S40、融合短期情绪向量与长期情绪向量，作为回答情绪向量；
S50、获取聊天机器人基于用户问题的输出文本，并利用预先训练好的文本情绪调整模型，根据回答情绪向量进行调整，得到带有情绪的输出文本，并输出给用户；
S60、重复上述步骤S20至S50，直到用户停止与聊天机器人交互。
本方法构造了情绪向量(式1)来刻画聊天机器人的情感状态。其中，/>表示第/>个情感维度上的取值，如“快乐”“伤心”等，共有/>个维度。情绪向量可分为短期情绪向量/>和长期情绪向量/>(式2) ；
；
；
其中，情绪向量中每个元素表示的具体情绪如下：
：表示“高兴”这个情绪特征的权重；
：表示“悲伤”这个情绪特征的权重；
：表示“放松”这个情绪特征的权重；
：表示“紧张”这个情绪特征的权重；
：表示“兴奋”这个情绪特征的权重；
：表示“厌烦”这个情绪特征的权重；
......
：表示“愤怒”这个情绪特征的权重；
上述情绪特征可自定义设置，也可以通过分析大规模语料获得频率最高的情感词，选择其对应的情绪特征构建向量。每个元素/>取值范围为[-1，+1]，表示该情感特征的正负面程度及强度。
初始化时(步骤S10)，令，即预设的初始情绪向量(式3)，其中，表示预设的初始情绪向量值。随后会更新而有差异。其中，各维度数值范围建议设置为：，/>(式4)，使长短期情绪变化幅度不同，/>表示长期情绪向量/>中第/>个元素，对应一个具体的情绪特征；/>表示长期情绪向量/>中第/>个元素，对应一个具体的情绪特征；
；
；
在聊天过程中(步骤S20)，构建文本表示模块，获得用户输入序列 的分布式单词表示 />。其中，/>表示序列/>中第/>个词，词向量/>可利用BERT等模型获得(式5) ；
；
同时，运用卷积神经网络或循环神经网络等模型(步骤S30)，学习特征提取函数，并对输入文本序列进行情感分析，判断其在正面和负面两个情感上的分值：，/>(式6)，其中，/>表示更新后的正面情绪分值，/>表示更新后的负面情绪分值。最终判断短期情绪向量的变化量/>(式7) ；
；
；
其中，为将情感分值映射为情绪向量变化的函数。然后直接叠加到原先的短期情绪向量上，得到更新后的文本短期情绪向量/> (式8)：
；
长期情绪向量的更新(步骤S40)则计算一个加权平均的融合，既考虑新变化的影响，也保留历史状态(式9)：
；
其中，为权重参数。经过上述更新后，进行情绪向量的融合：(式10)，并作为最后的回复语句情绪向量。其中，/>为融合函数，如拼接或加权；
；
其中，本实施例的公式解释如下：
(1)定义多维情绪向量；
(2)初始化短长期情绪向量相同；
(3)定义短长期向量价值范围不同；
(4)词向量表示模型，得到矩阵；
(5)情感判断模型，得到判断结果；
(6)短期情绪向量更新公式；
(7)长期向量更新为加权平均；
(8)短长期向量拼接为融合向量。
本发明第二方面提供一种计算机存储介质，包含有如上述的一种带有模拟情绪的聊天机器人的方法。
本发明第三方面提供一种带有模拟情绪的聊天机器人的***，包含有如上述的计算机存储介质。
本发明的技术原理基于认知心理学和机器学习理论。长期和短期情绪向量的设计模拟了人类情绪的稳定性和瞬时性特征。通过引入长期情绪向量，机器人能够维持一种情绪状态的连贯性；短期情绪向量则允许机器人对即时的情绪变化做出响应；
融合长短期情绪信息生成的回答情绪向量，结合文本情绪调整模型，使得机器人能够在保证语义准确性的同时，调整语言风格和词汇选择，以符合当前的情绪状态。这是通过预先训练的文本情绪调整模型实现的，该模型能够基于情绪向量调整生成文本的情感色彩；
此外，本发明采用的迭代更新机制，使机器人在与用户的交互过程中不断学习和优化情绪表达能力，这一点是通过机器学习中的强化学习技术实现的，使得机器人能够根据用户反馈调整其行为策略。
Claims (9)
1.一种带有模拟情绪的聊天机器人的方法，其特征在于，包括以下步骤：
S10、初始化基于大语言模型的聊天机器人的初始情绪状态，包括设置长期情绪向量和短期情绪向量，其中，所述长期情绪向量与所述短期情绪向量在初始化时相同；所述长期情绪向量和所述短期情绪向量均为一个包括有多个情绪指标的向量，向量的每个元素表示对应情绪指标的权重，且所述长期情绪向量中每个元素的取值范围大于所述短期情绪向量中每个元素的取值范围；
S20、接收用户的输入并进行语义分析，提取短期主题文本以及短期情感倾向文本；根据用户的全部输入，进行语义分析，提取长期情感倾向文本；
S30、根据所述短期情感倾向文本更新机器人的短期情绪向量，根据所述长期情感倾向文本更新机器人的长期情绪向量；
S40、融合所述短期情绪向量与所述长期情绪向量，作为回答情绪向量；
S50、获取聊天机器人基于用户问题的输出文本，并利用预先训练好的文本情绪调整模型，根据所述回答情绪向量进行调整，得到带有情绪的输出文本，并输出给用户；
S60、重复上述步骤S20至S50，直到用户停止与聊天机器人交互；
所述S20的具体步骤包括：
对输入文本进行预处理；
运用注意力机制模型解析文本语义，输出问题短期主题词向量；
结合卷积神经网络、循环神经网络分析文本在正面和负面情感上的偏向，输出短期情绪向量；
所述S20的步骤中，在接收用户输入时，需要对输入的文本进行预处理，包括中文分词、停用词过滤、词性标注，以便提取有效信息；利用自然语言处理技术NLP，对用户输入进行深入的语义分析，从中提取短期主题和情绪倾向；这一步骤也需要分析用户的历史输入，提取长期情感倾向；引入时间序列分析技术，来跟踪用户情感的变化趋势；此外，使用无监督学习方法，来识别用户话语中的长期主题倾向。
2.根据权利要求1所述的一种带有模拟情绪的聊天机器人的方法，其特征在于，所述S10的具体步骤包括：
构建含有多维情感特征的初始长短期情绪向量；
采用预训练语言模型赋值法为情绪向量初始化；
设置两向量价值范围，所述长期情绪向量范围大于所述短期情绪向量范围。
3.根据权利要求2所述的一种带有模拟情绪的聊天机器人的方法，其特征在于，所述S30的具体步骤包括：
直接叠加短期情绪向量的变化更新短期向量；
计算长期向量的加权平均法，既考虑新变化也保留历史状态，更新长期情绪向量。
4.根据权利要求3所述的一种带有模拟情绪的聊天机器人的方法，其特征在于，所述S40的具体步骤包括：
计算当前短期和长期情绪向量的加权平均或拼接，作为回复语句的情绪向量。
5.根据权利要求4所述的一种带有模拟情绪的聊天机器人的方法，其特征在于，所述S50的具体步骤包括：
先用语言模型生成回复语料的语义框架；
再利用回答情绪向量微调语句方式、词汇，生成情绪化输出文本。
6.根据权利要求5所述的一种带有模拟情绪的聊天机器人的方法，其特征在于，文本情绪调整模型的建立和训练步骤包括：
构建大规模含情感标注的训练语料；
采用SeqGAN模型预训练序列生成；
使用回答情绪向量进行微调，获得文本情绪转换模型。
7.根据权利要求6所述的一种带有模拟情绪的聊天机器人的方法，其特征在于，所述情绪向量至少包括高兴、悲伤、放松、紧张。
8.一种计算机存储介质，其特征在于，包含有如权利要求1-7任一项所述的一种带有模拟情绪的聊天机器人的方法。
9.一种带有模拟情绪的聊天机器人的***，其特征在于，包含有如权利要求8所述的计算机存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410231366.3A CN117808011B (zh) | 2024-03-01 | 2024-03-01 | 一种带有模拟情绪的聊天机器人的方法、介质及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410231366.3A CN117808011B (zh) | 2024-03-01 | 2024-03-01 | 一种带有模拟情绪的聊天机器人的方法、介质及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117808011A CN117808011A (zh) | 2024-04-02 |
| CN117808011B true CN117808011B (zh) | 2024-06-04 |
Family
ID=90433780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410231366.3A Active CN117808011B (zh) | 2024-03-01 | 2024-03-01 | 一种带有模拟情绪的聊天机器人的方法、介质及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117808011B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599998A (zh) * | 2016-12-01 | 2017-04-26 | 竹间智能科技（上海）有限公司 | 基于情感特征调整机器人回答的方法及*** |
| CN110162636A (zh) * | 2019-05-30 | 2019-08-23 | 中森云链(成都)科技有限责任公司 | 基于d-lstm的文本情绪原因识别方法 |
| CN111368609A (zh) * | 2018-12-26 | 2020-07-03 | 深圳Tcl新技术有限公司 | 基于情绪引擎技术的语音交互方法、智能终端及存储介质 |
| CN111522924A (zh) * | 2020-03-31 | 2020-08-11 | 华东师范大学 | 一种带有主题感知的情感聊天式回复生成方法 |
| CN112560503A (zh) * | 2021-02-19 | 2021-03-26 | 中国科学院自动化研究所 | 融合深度特征和时序模型的语义情感分析方法 |
| CN116306686A (zh) * | 2023-05-22 | 2023-06-23 | 中国科学技术大学 | 一种多情绪指导的共情对话生成方法 |
| CN117370534A (zh) * | 2023-11-21 | 2024-01-09 | 中山大学 | 一种面向虚拟现实的多源融合情感支持对话方法 |
-
2024
- 2024-03-01 CN CN202410231366.3A patent/CN117808011B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599998A (zh) * | 2016-12-01 | 2017-04-26 | 竹间智能科技（上海）有限公司 | 基于情感特征调整机器人回答的方法及*** |
| CN111368609A (zh) * | 2018-12-26 | 2020-07-03 | 深圳Tcl新技术有限公司 | 基于情绪引擎技术的语音交互方法、智能终端及存储介质 |
| CN110162636A (zh) * | 2019-05-30 | 2019-08-23 | 中森云链(成都)科技有限责任公司 | 基于d-lstm的文本情绪原因识别方法 |
| CN111522924A (zh) * | 2020-03-31 | 2020-08-11 | 华东师范大学 | 一种带有主题感知的情感聊天式回复生成方法 |
| CN112560503A (zh) * | 2021-02-19 | 2021-03-26 | 中国科学院自动化研究所 | 融合深度特征和时序模型的语义情感分析方法 |
| US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
| CN116306686A (zh) * | 2023-05-22 | 2023-06-23 | 中国科学技术大学 | 一种多情绪指导的共情对话生成方法 |
| CN117370534A (zh) * | 2023-11-21 | 2024-01-09 | 中山大学 | 一种面向虚拟现实的多源融合情感支持对话方法 |
Non-Patent Citations (4)
| Title |
|---|
| CH-MEAD: A Chinese Multimodal Conversational Emotion Analysis Dataset with Fine-Grained Emotion Taxonomy;Yu-Ping Ruan Etc.;2023 Asia Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC);20231120;全文 * |
| 基于HMM与RBF混合模型的情感智能聊天***;闫丹阳;姜梅;耿秀丽;闫伟;;计算机技术与发展;20171205(04);全文 * |
| 基于多标签新闻语料的關读者情感分析;彭晓彬;中国优秀硕士论文电子期刊网;20161015;全文 * |
| 基于情感交互的服务机器人对话***研究与设计;栗梦媛;中国优秀硕士论文电子期刊网;20181215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117808011A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112115247B (zh) | 一种基于长短时记忆信息的个性化对话生成方法和*** | |
| CN110059169B (zh) | 基于语料标注的智能机器人聊天上下文实现方法及*** | |
| CN113435211B (zh) | 一种结合外部知识的文本隐式情感分析方法 | |
| CN112115687A (zh) | 一种结合知识库中的三元组和实体类型的生成问题方法 | |
| Hung et al. | Towards a method for evaluating naturalness in conversational dialog systems | |
| CN112182161A (zh) | 一种基于用户对话历史的个性化对话生成方法和*** | |
| CN114911932A (zh) | 基于主题语义增强的异构图结构多会话者情感分析方法 | |
| CN114297399A (zh) | 知识图谱生成方法、***、存储介质及电子设备 | |
| CN116415650A (zh) | 生成对话语言模型及生成对话的方法、装置和存储介质 | |
| CN112506945A (zh) | 基于知识图谱的自适应导学方法及*** | |
| CN117438047A (zh) | 心理咨询模型训练和心理咨询处理方法、装置及电子设备 | |
| CN114444510A (zh) | 情感交互方法及装置、情感交互模型的训练方法及装置 | |
| CN117828063A (zh) | 一种心理领域数据生成、模型训练方法、装置及存储介质 | |
| CN111046157B (zh) | 一种基于平衡分布的通用英文人机对话生成方法和*** | |
| CN113065324A (zh) | 一种基于结构化三元组和锚定模板的文本生成方法及装置 | |
| Chowanda et al. | Generative Indonesian conversation model using recurrent neural network with attention mechanism | |
| Pardeshi et al. | A survey on Different Algorithms used in Chatbot | |
| CN117808011B (zh) | 一种带有模拟情绪的聊天机器人的方法、介质及*** | |
| CN116701566A (zh) | 一种基于情感的多轮对话模型及对话方法 | |
| Jiang et al. | An affective chatbot with controlled specific emotion expression | |
| Aguirre-Peralta et al. | Speech to Text Recognition for Videogame Controlling with Convolutional Neural Networks. | |
| CN114021581A (zh) | 一种基于回复增强的隐式个性化对话生成方法 | |
| CN116991982B (zh) | 基于人工智能的交互式对话方法、装置、设备及存储介质 | |
| Hou | Mandarin learning system based on chatbot | |
| Multi-Turn Generation-Based Conversational Agents in Open Domains |
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 |