情感机器人的情感状态记忆识别方法及装置专利检索-情感识别人工智能专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

情感机器人的情感状态记忆识别方法及装置

阅读：131发布：2021-03-03

IPRDB可以提供情感机器人的情感状态记忆识别方法及装置专利检索，专利查询，专利分析的服务。并且本发明属于智能识别技术领域，提供了一种情感机器人的情感状态识别方法及装置。本发明提供的情感机器人的情感状态识别方法，包括：根据用户输入的语句提取语句信息；从记忆图谱中获取所述用户的用户信息；将所述语句信息和所述用户信息输入情感状态识别模型，得到用户的情感状态。本发明提供的情感机器人的情感状态记忆识别方法及装置，在情感识别过程中加入了记忆图谱中的用户信息，提高了识别用户情感状态在准确率。，下面是情感机器人的情感状态记忆识别方法及装置专利的具体信息内容。

权利要求

1.一种情感机器人的情感状态识别方法，其特征在于，包括：根据用户输入的语句提取语句信息；

从记忆图谱中获取所述用户的用户信息；

将所述语句信息和所述用户信息输入情感状态识别模型，得到用户的情感状态。

2.根据权利要求1所述的方法，其特征在于，还包括从所述输入语句中提取用户的个人信息，将所述个人信息添加到所述记忆图谱中。

3.根据权利要求1或2所述的方法，其特征在于，所述将所述语句信息和所述用户信息输入情感状态识别模型，得到用户的情感状态，包括：将所述语句信息和所述用户信息输入深度学习模型，得到用户的情感状态。

4.根据权利要求1或2所述的方法，其特征在于，所述将所述语句信息和所述用户信息输入情感状态识别模型，得到用户的情感状态，包括：将所述语句信息输入规则模型，提取关键词，并根据所述关键词得到用户的第一情感状态和第一信心分值；

将所述语句信息和所述用户信息输入深度学习模型，得到用户的第二情感状态和第二信心分值；

根据所述第一信心分值和所述第二信心分值，在所述第一情感状态和所述第二情感状态中选择一个作为用户的情感状态。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一信心分值和所述第二信心分值，在所述第一情感状态和所述第二情感状态中选择一个作为用户的情感状态，包括：若所述第一信心分值大于阈值时，则将所述第一情感状态作为用户的情感状态；

若所述第一信心分值小于等于阈值时，则将所述第一情感状态和所述第二情感状态进行动态排序，根据动态排序的结果在所述第一情感状态和所述第二情感状态中选择一个作为用户的情感状态。

6.一种情感机器人的情感状态识别装置，其特征在于，包括：语句信息提取模块，用于根据用户输入的语句提取语句信息；

用户信息提取模块，用于从记忆图谱中获取所述用户的用户信息；

情感状态识别模块，用于将所述语句信息和所述用户信息输入情感状态识别模型，得到用户的情感状态。

7.根据权利要求6所述的装置，其特征在于，还包括用户信息更新模块，用于从所述输入语句中提取用户的个人信息，将所述个人信息添加到所述记忆图谱中。

8.根据权利要求6或7所述的装置，其特征在于，所述情感状态识别模块具体用于：将所述语句信息和所述用户信息输入深度学习模型，得到用户的情感状态。

9.根据权利要求6或7所述的装置，其特征在于，所述情感状态识别模块具体用于：将所述语句信息输入规则模型，提取关键词，并根据所述关键词得到用户的第一情感状态和第一信心分值；

将所述语句信息和所述用户信息输入深度学习模型，得到用户的第二情感状态和第二信心分值；

根据所述第一信心分值和所述第二信心分值，在所述第一情感状态和所述第二情感状态中选择一个作为用户的情感状态。

10.根据权利要求9所述的装置，其特征在于，所述情感状态识别模块具体用于：若所述第一信心分值大于阈值时，则将所述第一情感状态作为用户的情感状态；

说明书全文

情感机器人的情感状态记忆识别方法及装置

技术领域

[0001] 本发明涉及智能识别技术领域，具体涉及一种情感机器人的情感状态记忆识别方法及装置。

背景技术

[0002] 现有的情感识别技术主要通过抓取关键词，或比较通用的机器学习模型实现。这样的情感识别模型主要问题在于：(1)仅通过关键词判断，很容易因为无法正确理解整个句子及上下文而产生误判，正确率很低；(2)使用通用机器学习模型进行情感识别，其正确率会相对有所提高，但是通用机器学习模型的输入信息量单一，仅通过机器人与用户的对话来识别用户的情感状态，模型的正确率也会受到很大影响。

发明内容

[0003] 针对现有技术中的缺陷，本发明提供了一种情感机器人的情感状态记忆识别方法及装置，在情感识别过程中加入了记忆图谱中的用户信息，提高了识别用户情感状态在准确率。

[0004] 第一方面，本发明提供的一种情感机器人的情感状态识别方法，包括：根据用户输入的语句提取语句信息；从记忆图谱中获取所述用户的用户信息；将所述语句信息和所述用户信息输入情感状态识别模型，得到用户的情感状态。

[0005] 本发明提供的情感机器人的情感状态记忆识别方法，在与用户的自然对话中，自动根据用户的表达，识别用户的情感状态；不需要用户的手动设定，或系统的重复询问；结合用户的其他个人信息，协助判断情感状态，使得同样的表达在不同的情境下可以获得不同的识别结果，提高情感识别的准确率；另外，识别的情感状态可以帮助产生适宜用户此时状态的回复。

[0006] 优选地，还包括从所述输入语句中提取用户的个人信息，将所述个人信息添加到所述记忆图谱中。

[0007] 优选地，所述将所述语句信息和所述用户信息输入情感状态识别模型，得到用户的情感状态，包括：将所述语句信息和所述用户信息输入深度学习模型，得到用户的情感状态。

[0008] 优选地，所述将所述语句信息和所述用户信息输入深度学习模型，得到用户的情感状态，包括：将所述语句信息输入规则模型，提取关键词，并根据所述关键词得到用户的第一情感状态和第一信心分值；将所述语句信息和所述用户信息输入深度学习模型，得到用户的第二情感状态和第二信心分值；根据所述第一信心分值和所述第二信心分值，在所述第一情感状态和所述第二情感状态中选择一个作为用户的情感状态。

[0009] 优选地，所述根据所述第一信心分值和所述第二信心分值，在所述第一情感状态和所述第二情感状态中选择一个作为用户的情感状态，包括：若所述第一信心分值大于阈值时，则将所述第一情感状态作为用户的情感状态；若所述第一信心分值小于等于阈值时，则将所述第一情感状态和所述第二情感状态进行动态排序，根据动态排序的结果在所述第一情感状态和所述第二情感状态中选择一个作为用户的情感状态。

[0010] 第二方面，本发明提供的一种情感机器人的情感状态识别装置，包括：语句信息提取模块，用于根据用户输入的语句提取语句信息；用户信息提取模块，用于从记忆图谱中获取所述用户的用户信息；情感状态识别模块，用于将所述语句信息和所述用户信息输入情感状态识别模型，得到用户的情感状态。

[0011] 本发明提供的情感机器人的情感状态记忆识别装置，在与用户的自然对话中，自动根据用户的表达，识别用户的情感状态；不需要用户的手动设定，或系统的重复询问；结合用户的其他个人信息，协助判断情感状态，使得同样的表达在不同的情境下可以获得不同的识别结果，提高情感识别的准确率；另外，识别的情感状态可以帮助产生适宜用户此时状态的回复。

[0012] 优选地，还包括用户信息更新模块，用于从所述输入语句中提取用户的个人信息，将所述个人信息添加到所述记忆图谱中。

[0013] 优选地，所述情感状态识别模块具体用于：将所述语句信息和所述用户信息输入深度学习模型，得到用户的情感状态。

[0014] 优选地，所述情感状态识别模块具体用于：将所述语句信息输入规则模型，提取关键词，并根据所述关键词得到用户的第一情感状态和第一信心分值；将所述语句信息和所述用户信息输入深度学习模型，得到用户的第二情感状态和第二信心分值；根据所述第一信心分值和所述第二信心分值，在所述第一情感状态和所述第二情感状态中选择一个作为用户的情感状态。

[0015] 优选地，所述情感状态识别模块具体用于：若所述第一信心分值大于阈值时，则将所述第一情感状态作为用户的情感状态；若所述第一信心分值小于等于阈值时，则将所述第一情感状态和所述第二情感状态进行动态排序，根据动态排序的结果在所述第一情感状态和所述第二情感状态中选择一个作为用户的情感状态。

附图说明

[0016] 图1为本发明实施例所提供的情感机器人的情感状态记忆识别方法的流程图；

[0017] 图2为本发明实施例所提供的情感机器人的情感状态记忆识别装置的结构框图。

具体实施方式

[0018] 下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

[0019] 需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

[0020] 本实施例提供的一种情感机器人的情感状态记忆识别方法，如图1所示，包括：

[0021] 步骤S1，根据用户输入的语句提取语句信息。

[0022] 其中，语句信息包括：语句的中文分词信息，语句分词后的词性标注信息，语句的句式信息，语句的sentence2vector信息等等。语句信息的提取方式多种多样，例如中文分词信息和词性标注信息，主要通过调用第三方发布的开源库(经过自己改进)获得的，句式信息和sentence2vector信息等主要通过系统的其他模块处理或自己编写的预处理模块获得。语句信息的提取方法可通过现有方法实现，在此不作赘述。

[0023] 步骤S2，从记忆图谱中获取用户的用户信息。

[0024] 其中，用户信息包括：姓名、性别、生日、年龄、星座、用户的心理状态和生理状态等。

[0025] 步骤S3，将语句信息和用户信息输入情感状态识别模型，得到用户的情感状态。

[0026] 这样根据得到的用户的情感状态，机器人能够实现回复语句进行筛选，过滤调一些不适合的回复。例如，当用户说：“宋仲基我老公！”的时候，如果仅通过关键词抓取，会将用户状态识别为“结婚”，那么产生的回复就有可能是“你老公对你好吗？”等跟结婚有关系的语句。但是如果考虑了更全面的用户信息，比如这里考虑用户的性别“女”，年龄“20岁”，喜好“韩剧”等等信息，就可以比较准确的判断用户只是在表达自己的喜好而非婚姻状态，并且由于年龄是“20岁”，因此用户应该是“单身/恋爱”这样的状态，而且“结婚/离婚”的状态。

[0027] 本实施例提供的情感机器人的情感状态记忆识别方法，在与用户的自然对话中，自动根据用户的表达，识别用户的情感状态；不需要用户的手动设定，或系统的重复询问；结合用户的其他个人信息，协助判断情感状态，使得同样的表达在不同的情境下可以获得不同的识别结果，提高情感识别的准确率；另外，识别的情感状态可以帮助产生适宜用户此时状态的回复。通过现有技术实现的对比模型一般只能获得50％-60％左右的准确率，而本实施例提供的方法可以获得80％左右的准确率。

[0028] 记忆图谱中的用户信息越完善，情感识别的准确率越高，因此，本实施例提供的方法还包括：从输入语句中提取用户的个人信息，将个人信息添加到记忆图谱中。可以混合使用规则、机器学习、深度学习的技术来从用户的输入语句中提取用户的个人信息。其中，个人信息包括户基本信息、用户生活习惯等。在与用户不断地对话过程中，机器人通过从对话中提取用户的个人信息，完善记忆图谱。

[0029] 另外，还可以将情感状态识别模型识别的用户的情感状态存入记忆图谱中，进一步完善记忆图谱中的用户信息，以提高情感识别的准确率。

[0030] 记忆图谱中包括多个记忆识别模块，分别存储不同类别的用户信息，如，用于存储用户基本信息(姓名，性别，年龄，生日、星座等)的记忆识别模块，用于存储用户生活习惯(饮食习惯，作息时间等)的记忆识别模块，用于存储用户情感状态的记忆识别模块，这些模块共同用于完善整个用户信息，并且相互之间会提供参考。

[0031] 其中，情感识别模型利用规则、机器学习、深度学习中的一种或多种算法实现，通过与用户的自然对话，识别用户的情感状态。其中，规则通常是指通过关键词表或正则表达式等预先准备好的匹配规则来做识别提取。

[0032] 当采用一种算法时，以采用深度学习为例，步骤S3的具体实现步骤包括：将语句信息和用户信息输入深度学习模型，得到用户的情感状态。

[0033] 当采用多种算法时，以采用规则和深度学习为例，步骤S3的具体实现步骤包括：

[0034] 步骤S31，将语句信息输入规则模型，提取关键词，并根据关键词得到用户的第一情感状态和第一信心分值。

[0035] 其中，规则模型中的规则是在不断变化的，优选采用的形式是关键词表或者正则表达式。

[0036] 步骤S32，将语句信息、用户信息输入深度学习模型，得到用户的第二情感状态和第二信心分值。其中，规则模型提取的关键词也可以作为深度学习模型的输入，进一步提高识别用户情感状态的准确率。

[0037] 步骤S33，根据第一信心分值和第二信心分值，在第一情感状态和第二情感状态中选择一个作为用户的情感状态。

[0038] 多种模型同时进行情感识别，并对多个情感识别结果进行策略性地筛选，可以进一步提高情感识别的准确率。

[0039] 其中，深度学习模型通过深度神经网络架构实现，深度神经网络架构混合使用包括深度前馈神经网络DNN、递归神经网络RNN、卷积神经网络CNN/LSTM/Memory Network等多种神经网络，采用后馈算法(back propagation,bp)、时间后馈算法(back propagation through time,bptt)等算法为基础，依据架构做调整。预先搜集的测试样本，测试样本包括：用户的聊天语句、用户信息，并给聊天语句标注上情感状态；将聊天语句、用户信息输入深度学习模型，得到输出的情感状态测试值，根据情感状态测试值和标注的情感状态之间的差异，调整深度学习模型的参数；通过大量的测试样本不断训练和调整深度学习模型，直到得到符合要求的深度学习模型。

[0040] 进一步地，步骤S33具体包括：若第一信心分值大于阈值时，则将第一情感状态作为用户的情感状态；若第一信心分值小于等于阈值时，则将第一情感状态和第二情感状态进行动态排序，根据动态排序的结果在第一情感状态和第二情感状态中选择一个作为用户的情感状态。

[0041] 其中，动态排序涉及到很多参数，包括：文本长度、提取的关键词、用户上文的输入文本、第一/第二情感状态的信心分值等等。这些参数作为输入进入动态排序模型，通过赋予不同权重影响排序结果。动态排序的参数选择和权重调整会根据整体模型的表现进行调整。

[0042] 基于与上述情感机器人的情感状态识别方法相同的发明构思，本实施例提供了一种情感机器人的情感状态识别装置，如图2所示，包括：语句信息提取模块101，用于根据用户输入的语句提取语句信息；用户信息提取模块102，用于从记忆图谱中获取用户的用户信息；情感状态识别模块103，用于将语句信息和用户信息输入情感状态识别模型，得到用户的情感状态。

[0043] 本实施例提供的情感机器人的情感状态记忆识别装置，在与用户的自然对话中，自动根据用户的表达，识别用户的情感状态；不需要用户的手动设定，或系统的重复询问；结合用户的其他个人信息，协助判断情感状态，使得同样的表达在不同的情境下可以获得不同的识别结果，提高情感识别的准确率；另外，识别的情感状态可以帮助产生适宜用户此时状态的回复。

[0044] 进一步地，还包括用户信息更新模块，用于从输入语句中提取用户的个人信息，将个人信息添加到记忆图谱中。

[0045] 其中，情感状态识别模块103具体用于：将语句信息和用户信息输入深度学习模型，得到用户的情感状态。

[0046] 进一步地，情感状态识别模块103具体用于：将语句信息输入规则模型，提取关键词，并根据关键词得到用户的第一情感状态和第一信心分值；将语句信息和用户信息输入深度学习模型，得到用户的第二情感状态和第二信心分值；根据第一信心分值和第二信心分值，在第一情感状态和第二情感状态中选择一个作为用户的情感状态。

[0047] 更进一步地，情感状态识别模块103具体用于：若第一信心分值大于阈值时，则将第一情感状态作为用户的情感状态；若第一信心分值小于等于阈值时，则将第一情感状态和第二情感状态进行动态排序，根据动态排序的结果在第一情感状态和第二情感状态中选择一个作为用户的情感状态。

[0048] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

标题	发布/更新时间	阅读量
语音情感识别装置-专利编号CN108682432A	2020-05-12	373
一种建立语音情感识别模型的方法及语音情感识别方法-专利编号CN110910904A	2020-05-14	632
语音情感识别设备和进行语音情感识别的方法-专利编号CN101930735B	2020-05-13	289
视觉情感识别方法-专利编号CN110705490A	2020-05-11	688
一种语音情感识别方法-专利编号CN106847309A	2020-05-11	108
一种语音情感识别系统及语音情感识别方法-专利编号CN110534133A	2020-05-12	311
语音情感识别方法-专利编号CN109036465A	2020-05-12	410
一种情感识别方法和情感识别系统-专利编号CN107945790A	2020-05-11	122
情感识别模型生成装置及其生成情感识别模型的方法-专利编号CN103892792A	2020-05-13	1041
语音情感识别设备和进行语音情感识别的方法-专利编号CN101930735A	2020-05-13	413

情感机器人的情感状态记忆识别方法及装置

情感机器人的情感状态记忆识别方法及装置

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式