情感识别方法、模型训练方法、装置、设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种情感识别方法、模型训练方法、装置、设备及存储介质。


背景技术：

2.情感在生活中影响着人们的言行，对人类的情感进行识别是当前各界讨论研究的热点。在人工智能领域(artificial intelligence，ai)中，智能体(agent)的认知、决策和推理等能力均得到了飞速发展，可以通过为智能体赋予人类的情感表达，以实现构建人机交互(human
–
computer interaction，hci)环境。
3.实际应用中，可以通过对智能体的情感进行识别以获得智能体的情感状态。传统技术中，通常根据当前时刻之前的时刻智能体的情感状态预测当前时刻之后的时刻智能体的情感状态。然而智能体的情感状态通常会受多种因素的影响，导致采用上述传统技术对智能体的情感状态进行识别所获得的情感识别结果存在不准确的问题。
4.因此，亟需一种情感识别方法，该方法可以提高情感识别结果的准确性。


技术实现要素：

5.本技术提供了一种情感识别方法、模型训练方法、装置、设备及存储介质，该方法可以提高情感识别结果的准确性。
6.本技术实施例第一方面提供了一种情感识别方法，该方法包括：利用第一模型对第一待识别文本识别获得第一识别结果，第一待识别文本包括第一时刻给予待识别智能体的外界刺激信息，第一识别结果表示外界刺激信息使待识别智能体产生的第一情感状态；利用第二模型对第二待识别文本识别获得第二识别结果，第二待识别文本包括用于描述待识别智能体在第一时刻的第二情感状态的信息，第二识别结果表示第二情感状态；根据属性信息、第一识别结果和第二识别结果，确定待识别智能体在当前时刻的情感状态，属性信息表示待识别智能体的性格特征，当前时刻为第二时刻之后的时刻。
7.本技术实施例第二方面提供了一种模型训练方法，所述方法包括：获取第一训练集，其中，所述第一训练集包括第一样本和所述第一样本的真实标签，所述第一样本包括在第一预设历史时刻给予智能体的外界刺激信息，所述第一样本的真实标签表示给予所述智能体的外界刺激信息使得所述智能体在所述第一预设历史时刻之后的第二预设历史时刻产生的情感状态；利用所述第一训练集对第一初始模型包括的第一初始编码器的参数和第一初始分类器的参数进行调整，获得所述第一模型。
8.本技术实施例第三方面提供了一种模型训练方法，该方法包括：获取第二训练集，其中，所述第二训练集包括第二样本和所述第二样本的真实标签，所述第二样本包括用于描述智能体在第一预设历史时刻的情感状态的信息，所述第二样本的真实标签表示所述智能体在所述第一预设历史时刻的情感状态；利用第二训练集对第二初始模型包括的第二初始编码器的参数和第二分类器的参数进行调整，获得所述第二模型。
9.本技术实施例第四方面提供了一种情感识别装置，该装置包括：第一识别单元，用于利用第一模型对第一待识别文本进行识别，获得第一识别结果，其中，所述第一待识别文本包括在第一时刻给予待识别智能体的外界刺激信息，所述第一识别结果表示所述外界刺激信息使得所述待识别智能体在第一时刻之后的第二时刻产生的第一情感状态；第二识别单元，用于利用第二模型对第二待识别文本进行识别，获得第二识别结果，其中，所述第二待识别文本包括用于描述所述待识别智能体在所述第一时刻的第二情感状态的信息，所述第二识别结果表示所述第二情感状态；确定单元，用于根据属性信息、所述第一识别结果和所述第二识别结果，确定所述待识别智能体在当前时刻的情感状态，其中，所述属性信息表示所述待识别智能体的性格特征，所述当前时刻为所述第二时刻之后的时刻。
10.本技术实施例第五方面提供了一种模型训练装置，该装置包括：获取单元，用于获取第一训练集，其中，所述第一训练集包括第一样本和所述第一样本的真实标签，所述第一样本包括在第一预设历史时刻给予智能体的外界刺激信息，所述第一样本的真实标签表示给予所述智能体的外界刺激信息使得所述智能体在所述第一预设历史时刻之后的第二预设历史时刻产生的情感状态；训练单元，用于利用所述第一训练集对第一初始模型包括的第一初始编码器的参数和第一初始分类器的参数进行调整，获得所述第一模型。
11.本技术实施例第六方面提供了一种模型训练装置，该装置包括：获取单元，用于获取第二训练集，其中，所述第二训练集包括第二样本和所述第二样本的真实标签，所述第二样本包括用于描述在第一预设历史时刻智能体的情感状态的信息，所述第二样本的真实标签表示所述智能体在所述第一预设历史时刻的情感状态；训练单元，利用第二训练集对第二初始模型包括的第二初始编码器的参数和第二分类器的参数进行调整，获得所述第二模型。
12.本技术实施例第七方面还提供一种执行设备，包括：处理器；以及存储器，用于存储数据处理程序，该执行设备通电并通过所述处理器运行该程序后，执行如上所述的方法。
13.本技术实施例第八方面还提供一种训练设备，包括：处理器；以及存储器，用于存储数据处理程序，该训练设备通电并通过所述处理器运行该程序后，执行如上所述的方法。
14.本技术实施例第九方面还提供了一种计算机可读存储介质，其上存储有一条或多条计算机指令，其特征在于，该指令被处理器执行以实现上述任意一种技术方案所述的情感识别方法。
15.本技术实施例第九方面还提供了一种计算机可读存储介质，其上存储有一条或多条计算机指令，其特征在于，该指令被处理器执行以实现上述任意一种技术方案所述的模型训练方法。
16.应当理解，本部分所描述的内容并非旨在标识本技术公开的实施例的关键或重要特征，也不用于限制本技术公开的范围。本技术公开的其它特征将通过以下的说明书而变得容易理解。
17.本技术实施例所提供的情感识别方法的技术方案，包括：利用第一模型对第一待识别文本识别获得第一识别结果，第一待识别文本包括第一时刻给予待识别智能体的外界刺激信息，第一识别结果表示外界刺激信息使待识别智能体产生的第一情感状态；利用第二模型对第二待识别文本识别获得第二识别结果，第二待识别文本包括用于描述待识别智能体在第一时刻的第二情感状态的信息，第二识别结果表示第二情感状态；根据属性信息、
第一识别结果和第二识别结果，确定待识别智能体在当前时刻的情感状态，属性信息表示待识别智能体的性格特征，当前时刻为第二时刻之后的时刻。上述情感识别方法中，根据属性信息、第一识别结果和第二识别结果确定待识别智能体在当前时刻的情感状态，也就是说，在确定待识别智能体在当前时刻的情感状态时，不仅考虑了待识别智能体在当前时刻之前的第一时刻的情感状态(即第二识别结果)，同时，还考虑了在第一时刻给予待识别智能体外界刺激信息后待识别智能体产生的情感状态(即第一识别结果)，以及待识别智能体的属性信息，这样，可以提高情感识别结果的准确性。
附图说明
18.为了更清楚地说明本技术实施例的技术方案，下面将对本技术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技术的一些实施例，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。
19.图1是适用于本技术实施例提供的情感识别方法的一种应用场景的示意图。
20.图2是本技术实施例提供的一种情感识别方法的示意图。
21.图3是本技术实施例提供的一种二维情感坐标的示意图。
22.图4是上述图2所描述的情感识别方法中涉及的获得第一模型的训练过程的示意图。
23.图5是上述图2所描述的情感识别方法中涉及的获得第二模型的训练过程的示意图。
24.图6是本技术实施例提供的一种智能体的人设情感向量的示意图。
25.图7是本技术实施例提供的另一种情感识别方法的示意图。
26.图8是本技术实施例提供的一种情感识别装置的示意图。
27.图9是本技术实施例提供的一种训练装置的示意图。
28.图10是本技术实施例提供的一种执行设备的示意图。
29.图11是本技术实施例提供的一种训练设备的示意图。
具体实施方式
30.为了使本领域的技术人员能够更好的理解本技术的技术方案，下面结合本技术实施例中的附图，对本技术进行清楚、完整地描述。但本技术能够以很多不同于上述描述的其他方式进行实施，因此，基于本技术提供的实施例，本领域普通技术人员在不经过创造性劳动的情况下，所获得的所有其他实施例，都应属于本技术保护的范围。
31.需要说明的是，本技术的权利要求书、说明书及附图中的术语“第一”、“第二”、“第三”等是用于区别类似的对象，并不用于描述特定的顺序或先后次序。这样使用的数据在适当情况下是可以互换的，以便于本文所描述的本技术的实施例，能够以除了在本文图示或描述的内容以外的顺序实施。此外，术语“包括”、“具有”以及他们的变形形式，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
32.需要说明的是，在本技术实施例提供的情感识别方法中所涉及的“情绪”和“情感”可以相互替换使用。
33.为了便于理解，首先对本技术实施例中可能涉及的技术术语进行简单介绍。
34.1，智能体(agent)
35.智能体最早出现于美国minsky教授1986年出版的《思维的社会》(society of mind)中，认为社会中的某些个体经过协商之后可求得问题的解，这些个体就是智能体。智能体用来描述具有自适应、自治能力的硬件、软件或其它实体，其目标是认识并模拟人类智能。1994年，minsky又在《communication of acm》杂志上对智能体作了更明确的补充。这个补充是从社会和社会中的个体两个方面来规定的。对社会而言，智能体是能完成一些特殊任务的个体，社会不关心它是怎样工作的；而对个体而言，要求它们具有一定的能力，否则将不为社会接受。
36.2，情感(sentiments)
37.情感是和人的社会需要相联系的体验。情感常用来描述具有稳定的、深刻的社会意义的感情。作为一种感受，情感具有较强的稳定性、深刻性和持久性。
38.3，情绪(emotion)
39.情绪是和人的生理需要相联系而产生的体验，即情绪是以主体的愿望和需要为中介的一种心理活动。当客观事物或情境符合主体的愿望和需要时，就能引起积极的、肯定的情绪。当客观事物不符合主体的愿望或需要时，就会引起消极、否定的情绪。情绪是由独特的主观体验、外部表现和生理唤醒三部分组成的。情绪具有适应功能、动机功能、组织功能和社会功能。
40.情绪和情感的定义虽然不尽相同，但却是不可分割的。因此，人们时常把情绪和情感通用。也就是说，在本技术实施例提供的情感识别方法中所涉及的“情绪”和“情感”可以相互替换使用。
41.下面，结合附图对适用于本技术实施例的情感识别方法的应用场景和情感识别方法进行详细说明。可以理解的是，本技术提供的各实施例之间不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。
42.首先，结合附图介绍适用于本技术实施例的情感识别方法的应用场景。
43.图1是适用于本技术实施例提供的情感识别方法的一种应用场景的示意图。如图1所示，该应用场景包括至少一个终端101和至少一个服务器102。服务器102与终端101之间可以通过网络103进行通信，以实现数据的传输。其中，网络103可以是有线网络或无线网络，本技术对此不作具体限定。
44.终端101上可以安装和运行有应用程序。其中，上述应用程序可以是任何能够提供情感识别服务的应用程序。示例性的，上述应用程序可以但不限于为以下任意一种应用程序：智能助手类应用程序、视频类应用程序、新闻类应用程序、社交类应用程序、互动娱乐类应用程序、浏览器应用程序、购物类应用程序、内容分享类应用程序、虚拟现实(virtual reality，vr)类应用程序、或者增强现实(augmented reality，ar)类应用程序。在本技术实施例中，对终端101的设备类型不作具体限定。例如，终端101可以但不限于是以下任意一种设备：个人电脑、智能手机、平板电脑、台式计算机、智能音箱、智能手表或者可穿戴设备等。
45.服务器102用于为终端101中的应用程序的客户端提供后台服务。例如，服务器102可以是上述应用程序的后台服务器。服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。可选地，服务器102同时为多个终端101中的应用程序提供后台服务。
46.可选的，上述无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也能够是任何网络，包括但不限于局域网(local area network，lan)、城域网(metropolitan area network，man)、广域网(wide area network，wan)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(hyper text mark-up language，html)、可扩展标记语言(extensible markup language，xml)等的技术和/或格式来代表通过网络交换的数据。此外还能够使用诸如安全套接字层(secure socket layer，ssl)、传输层安全(transport layer security，tls)、虚拟专用网络(virtual private network，vpn)、网际协议安全(internet protocol security，ipsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还能够使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
47.应理解，上述图1示出的应用场景仅为示意，并不对本技术实施例提供的情感识别方法所适用的应用场景构成任何限定。可选的，上述图1示出的应用场景还可以包括更多数目的服务器102、更多数目的终端101和更多数目的网络103。可选的，上述图1示出的终端101还可以替换为除服务器102以外的服务器。
48.接下来，结合图2至图7对本技术实施例提供的情感识别方法进行详细介绍。
49.图2是本技术实施例提供的一种情感识别方法的示意图。本技术实施例提供的情感识别方法可以由执行设备来执行。可以理解的是，该执行设备可以实现为软件、或者软件和硬件的组合。示例性的，本技术实施例中的执行设备可以但不限于是服务器或用户使用的终端设备。如图2所示，本技术实施例提供的情感识别方法包括s210至s230。下面，对s210至s230进行详细介绍。
50.s210，利用第一模型对第一待识别文本进行识别，获得第一识别结果，其中，第一待识别文本包括在第一时刻给予待识别智能体的外界刺激信息，第一识别结果表示外界刺激信息使得待识别智能体在所述第一时刻之后的第二时刻产生的第一情感状态。
51.上述s210所描述的第一模型是训练好的模型，也就是说，执行上述s210所描述的方法是对第一模型的应用阶段。具体来说，利用第一模型对第一待识别文本进行识别，以获得第一识别结果。
52.下面，首先对上述s210所描述的第一待识别文本和第一识别结果进行详细介绍。
53.第一待识别文本包括在第一时刻给予待识别智能体的外界刺激信息，其中，给予待识别智能体的外界刺激信息，可以理解为是能够对待识别智能体的情感状态产生影响的信息。具体来说，上述给予待识别智能体的外界刺激信息在第一时刻给予待识别智能体刺激后，使得待识别智能体在第一时刻之后的第二时刻会产生一个和该外界刺激信息对应的第一情感状态。对第一时刻和第二时刻之间的时间差不作具体限定。通常来说，给予待识别智能体一个刺激后，该一个待识别智能体可以很快的产生一个该刺激对应的情感，也就是
说，在这种场景中，上述第一时刻和第二时刻之间的时间差可以非常短，例如第一时刻和第二时刻之间相差1秒。
54.在本技术实施例中，对给予待识别智能体的外界刺激信息所包括的内容不作具体限定。换句话说，具有能够对待识别智能体的情感状态产生影响的信息均可以作为外界刺激信息。外界刺激信息在一些实现方式中，上述外界刺激信息包括以下至少一种信息：对待识别智能体进行评价的信息、或者待识别智能体所处位置的环境信息。也就是说，外界刺激信息可以是对待识别智能体进行评价的信息，或者待识别智能体所处位置的环境信息；或者，外界刺激信息可以包括：对待识别智能体进行评价的信息，以及待识别智能体所处位置的环境信息。其中，待识别智能体所述位置的环境信息可以是位置环境信息、天气环境信息等，对此不作具体限定。例如，在外界刺激信息为待识别智能体所处的外界物理环境信息的情况下，第一待识别文本可以表示为：“待识别智能体所处的物理环境非常寒冷”。例如，在外界刺激信息为对待识别智能体进行评价的信息的情况下，第一待识别文本可以表示为：“待识别智能体今天穿的衣服真好”。第一识别结果表示外界刺激信息使得待识别智能体产生的第一情感状态。通常情况下，外界刺激信息是积极正面的刺激信息的情况下，第一情感状态为积极正面的情感状态；外界刺激信息是消极负面的刺激信息的情况下，第一情感状态为消极负面的情感状态。
55.上述s210所描述的第一模型是训练好的模型。可选的，在一些实现方式中，在执行上述s210之前还可以执行获得第一模型的训练方法。接下来，介绍本技术实施例提供的获得第一模型的训练方法。
56.可选的，在一些实现方式中，在执行上述s210之前，即在利用第一模型对第一待识别文本进行识别，获得第一识别结果之前，方法还包括：利用第一训练集对第一初始模型包括的第一初始编码器的参数和第一初始分类器的参数进行调整，获得第一模型，其中，第一训练集包括第一样本和第一样本的真实标签，第一样本包括在第一预设历史时刻给予智能体的外界刺激信息，第一样本的真实标签表示给予智能体的外界刺激信息使得智能体在第一预设历史时刻之后的第二预设历史时刻产生的情感状态。对第一预设历史时刻和第二预设历史时刻之间的时间差不作具体限定。通常来说，给予待识别智能体一个刺激后，该一个待识别智能体可以很快的产生一个该刺激对应的情感，也就是说，在这种场景中，第一预设历史时刻和第二预设历史时刻之间的时间差可以非常短，例如第一预设历史时刻和第二预设历史时刻之间相差0.5秒。
57.上述利用第一训练集对第一初始模型进行训练获得第一模型的训练方法中，第一训练集包括第一样本和第一样本的真实标签，即上述训练过程是一个有监督的模型训练过程，这样，可以保证训练所获得的第一模型的准确性。进一步，可以提高利用第一模型对第一待识别文件进行识别所获得的第一识别结果的准确性，从而有利于提高情感识别结果的准确性。
58.下面，对上述训练过程中所利用的训练数据，即第一训练集进行详细介绍。其中，第一训练集包括第一样本和第一样本的真实标签。
59.第一样本包括在第一预设历史时刻给予智能体的外界刺激信息，其中，给予智能体的外界刺激信息可以但不限于是积极正面的刺激信息或消极负面的刺激信息。在本技术实施例中，对给予智能体的外界刺激信息所包括的内容不作具体限定，可以根据应用场景
进行设置。换句话说，具有能够对智能体的情感状态产生影响的信息均可以作为外界刺激信息。对给予智能体的外界刺激信息的表现形式不作具体限定，可以根据应用场景进行设置。在一些实现方式中，给予智能体的外界刺激信息可以但不限于包括以下任意一种信息：智能体所处的环境信息、或者对智能体进行评价的信息。其中，智能体所述位置的环境信息可以是位置环境信息、天气环境信息等，对此不作具体限定。
60.第一样本的真实标签表示给予智能体的外界刺激信息使得智能体在第一预设历史时刻之后的第二预设历史时刻产生的情感状态。可以理解的是，第一样本的真实标签所表示的情感状态，为第二分类器输出的n种类型的情感状态中的任意一种类型的情感状态。通常情况下，外界刺激信息是积极正面的刺激信息的情况下，第一样本对应为积极正面的情感状态；外界刺激信息是消极负面的刺激信息的情况下，第一样本对应消极负面的情感状态。
61.在本技术实施例中，对第一训练集包括的样本数目不作具体限定。也就是说，第一训练集可以包括多个第一样本和多个第一样本的真实标签，且多个第一样本均不相同。其中，任意两个不同的第一样本可以理解为，这任意两个不同的第一样本对应的智能体不同、这任意两个不同的第一样本对应的外界刺激信息不同、或者这任意两个不同的第一样本对应的预设历史时刻不同。
62.接下来，对上述模型训练过程中所涉及的第一初始模型和第一模型进行详细介绍。
63.第一初始模型包括第一初始编码器和第一分类器。其中，第一初始编码器具有特征提取功能；第一分类器是具有n分类功能的分类器，n大于或等于第一预设阈值。示例性的，图3a中的(1)示出了上述利用第一训练集对第一初始模型进行训练获得第一模型的示意图，以及第一初始模型的结构。在本技术实施例中，对第一初始编码的结果和第一分类器的结构均不作限定。也就是说，具有特征提取的模型结构均可作为第一初始编码器，具有n分类功能的分类器均可作为第一初始分类器。例如，第一初始编码器可以但不限于是transformer模型包括的编码器、或者对transformer模型包括的编码器的变体。例如，第一初始分类器可以但不限于是随机森林分类器、或者朴素贝叶斯分类器。
64.第一模型是利用第一训练集对第一初始模型的参数进行训练获得的，基于此，第一模型可以包括第一编码器和第一分类器。其中，第一编码器是对第一初始编码器的参数进行上述调整后所获得的编码器；第一分类器是对第一初始分类器的参数进行上述调整后所获得的分类器。示例性的，图3a中的(1)示出了上述利用第一训练集对第一初始模型进行训练获得第一模型的示意图，以及第一模型的结构。
65.上文详细介绍了第一训练集、第一初始模型和第一模型。下面，结合图4对上述“利用第一训练集对第一初始编码器的参数和第一初始分类器的参数进行调整，获得第一模型”的训练方法s400进行详细介绍。参见图4，该训练方法400包括s410至s440。下面，对s410至s440进行详细介绍。
66.s410，利用第一初始编码器对第一样本进行特征提取，获得第一样本的特征向量。
67.执行上述s410，即利用第一初始编码器对第一样本进行特征提取，获得第一样本的特征向量，可以包括以下步骤：将第一样本输入第一初始编码器，第一初始编码器输出第一样本的特征向量。
68.s420，利用第一初始分类器对第一样本的特征向量进行分类处理，获得第一样本的预测标签。
69.在本技术实施例中，第一初始分类器输出的识别结果为n种类型的情感状态中的任意一种类型的情感状态，其中，第一识别结果为n种类型的情感状态中的任意一种类型的情感状态，n大于或等于第一预设阈值。上述实现方式中，第一初始分类器为n分类器。基于此，上述s420所描述的第一样本的预测标签对应一种n种类型的情感状态中的一种类型的情感状态。对上述n的取值和第一预设阈值的取值均不作具体限定。可以理解的是，上述实现方式中，n的取值越大，情感识别结果的粒度越精细，可以进一步提高情感识别结果的准确度。在一些实现方式中，n可以等于24，其中，图3b示出了这24种类型的情感状态。下面，结合图3b对第一初始分类器输出的识别结果进行介绍。图3b示出了本技术实施例提供的一种二维情感坐标的示意图，参见图3b所示，二维情感坐标的横坐标表示情感的正负向程度，横坐标的数值大于零且绝对值越大代表情感正向的程度越深，数值小于零且绝对值越大代表情感的负向程度越深。参见图3b所示，二维情感坐标的纵坐标表示智能体情感的内化与外向的程度。同样，越远离原点且绝对值越大代表程度越深，越靠近原点程度越浅。参见图3b，图3b示出的二维情感坐标包括24种情感状态，这24种情感状态具体包括以下情感：“愤怒”、“烦躁”、“厌恶”、“嫌弃”、“悲伤”、“害怕”、“低落”、“后悔”、“生气”、“吐槽”、“轻微负面”、“忧虑”、“惊吓”、“感兴趣”、“疑惑”、“中性”、“惊讶”、“撒娇”、“轻微正面”、“惊喜”、“快乐”、“佩服”、“喜欢”、“信任”。传统技术中，通常采用7分类器对情感状态进行识别，7分类器输出的识别结果为以下结果中的一种：“恐惧”、“快乐”、“惊讶”、“愤怒”、“悲伤”、“厌恶”、或者“其他”。在本技术实施例提供的上述实现方式中，第一初始分类器为24分类器，这样，使得训练好的第一模型包括的第一分类器输出的识别结果的粒度更加精细，有利于提高情感识别结果的准确性。
70.执行上述s420，即利用第一初始分类器对第一样本的特征向量进行分类处理，获得第一样本的预测标签，可以包括以下步骤：将第一样本的特征向量输入第一初始分类器，第一初始分类器输出第一样本的预测标签。
71.s430，根据第一样本的真实标签和第一样本的预测标签之间的差异，对第一初始编码器的参数和第一初始分类器的参数进行调整。
72.其中，第一样本的真实标签和第一样本的预测标签之间的差异可以通过损失函数表示。在本技术实施例中，上述损失函数可以是分类损失函数。其中，对分类损失函数的函数形式不作具体限定，可以根据实际需求进行选取。例如，上述分类损失函数可以但不限于为：负对数似然损失、或者交叉熵损失函数。
73.s440，待训练达到第一预设训练条件，停止对第一初始编码器的参数和第一初始分类器的参数进行调整，获得第一模型。
74.对第一预设训练条件不作具体限定，可以根据实际场景进行设置。在一些实现方式中，第一预设训练条件可以包括以下至少一种条件：对第一初始模型的训练次数满足预设训练次数、对第一初始模型的训练时间满足预设训练时间、或者第一初始模型的损失结果(即第一初始模型的损失函数的值)小于预设损失阈值。对上述预设训练次数、预设训练时间和预设损失阈值均不作具体限定，可以根据实际需求进行设置。
75.需说明的是，上述s410至s440所描述的“利用第一训练集对第一初始模型进行训
练获得第一模型”的训练步骤仅为示意，并不对本技术实施例构成任何限定。也就是说，还可以利用第一训练集对第一初始模型执行除上述s410至s440所描述的其他训练步骤，以获得第一模型。
76.可选的，在一些实现方式中，在执行上述s210之前，还可以执行获取第一训练集的步骤。在本技术实施例中，对获取第一训练集的获取方法不作具体限定。在一些实现方式中，获取第一训练集可以包括以下步骤：获取有标注不同外界刺激信息的样本语句；对有标注不同外界刺激信息的样本语句进行预处理，获得所述第一训练集，其中，所述第一训练集包括的样本数目小于上述有标注不同外界刺激信息的样本语句的数目。上述实现方式中，通过预处理方式对获取的大量标注有不同外界刺激信息的样本语句进行处理，可以有效减少数据量的冗余。这样，有利于提高利用非冗余的第一训练集对第一初始模型进行模型训练的训练效率。对上述预处理的处理方式不作具体限定，可以根据实际应用场景和需求进行设置。例如，上述预处理的处理方式可以但不限于为：文本排重、中文分词、或者去停用词。
77.s220，利用第二模型对第二待识别文本进行识别，获得第二识别结果，其中，第二待识别文本包括用于描述待识别智能体在第一时刻的第二情感状态的信息，第二识别结果表示第二情感状态。
78.上述s220所描述的第二模型是训练好的模型。也就是说，执行上述s220所描述的方法是对第二模型的应用阶段。具体来说，利用第二模型对第二待识别文本进行识别，以获得第二识别结果。
79.下面，首先对上述s220所描述的第二待识别文本和第二识别结果进行详细介绍。
80.第二待识别文本包括用于描述待识别智能体在第一时刻的第二情感状态的信息。对用于描述待识别智能体在第一时刻的情感状态的信息也不作具体限定。在一些实现方式中，用于描述待识别智能体在第一时刻的情感状态的信息可以是，待识别智能体在第一时刻所说的话。其中，智能体在第一时刻所说的话可以由语言模型(language model,lm)，根据智能体在第一时刻的情感状态生成。在本技术实施例中，对语言模型的类型不作具体，例如语言模型可以但不限于为统计语言模型(statistical language model,slm)、或者神经网络语言模型(recurrent neural network,rnn)。可选的，在另一些实现方式中，用于描述待识别智能体在第一时刻的情感状态的信息可以是，智能体在第一时刻所写的文字。例如，第二样本可以表示为：“我今天心情不错”，其中，“我”是指智能体。
81.第二识别结果表示第二情感状态，可以理解的是，第二识别结果所表示的情感状态，为第二分类器输出的m种类型的情感状态中的任意一种类型的情感状态。
82.上述s220所描述的第二模型是训练好的模型。可选的，在一些实现方式中，在执行上述s220之前还可以执行获得第二模型的训练方法。接下来，介绍本技术实施例提供的获得第二模型的训练方法。
83.可选的，在一些实现方式中，在执行上述s220之前，即在利用第二模型对第二待识别文本进行识别，获得第二识别结果之前，方法还包括：利用第二训练集对第二初始模型包括的第二初始编码器的参数和第二分类器的参数进行调整，获得第二模型，其中，第二训练集包括第二样本和第二样本的真实标签，第二样本包括用于描述智能体在第一预设历史时刻的情感状态的信息，第二样本的真实标签表示智能体在第一预设历史时刻的情感状态。
84.上述利用第二训练集对第二初始模型进行训练获得第二模型的训练方法在，第二训练集包括第二样本和第二样本的真实标签，即上述训练过程是一个有监督的模型训练过程，这样，可以保证训练所获得的第二模型的准确性。进一步，可以提高利用第二模型对第二待识别文件进行识别所获得的第二识别结果的准确性，从而有利于提高情感识别结果的准确性。
85.下面，对上述训练过程中所利用的训练数据，即第二训练集进行详细介绍。其中，第二训练集包括第二样本和第二样本的真实标签。
86.第二样本包括用于描述智能体在第一预设历史时刻的情感状态的信息。对第一预设历史时刻不作具体限定，可以根据实际场景进行设置。对用于描述智能体在第一预设历史时刻的情感状态的信息也不作具体限定。在一些实现方式中，用于描述智能体在第一预设历史时刻的情感状态的信息可以是，智能体在第一预设历史时刻所说的话。可选的，在另一些实现方式中，用于描述智能体在第一预设历史时刻的情感状态的信息可以是，智能体在第一预设历史时刻所写的文字。例如，第二样本可以表示为：“我今天心情不错”，其中，“我”是指智能体。
87.第二样本的真实标签表示智能体在第一预设历史时刻的情感状态。例如，在以下场景中，即第二样本可以表示为：“我今天还开心”，其中，“我”是指智能体。这种场景中，第二样本的真实标签可以为“快乐”。可以理解的是，第二样本的真实标签所表示的情感状态，为第二分类器输出的m种类型的情感状态中的任意一种类型的情感状态。
88.在本技术实施例中，对第二训练集包括的样本数目不作具体限定。也就是说，第二训练集可以包括多个第二样本和多个第二样本的真实标签，该多个第二样本均不同。其中，任意两个不同的第二样本可以理解为，这任意两个不同的第二样本对应的智能体不同、这任意两个不同的第二样本对应的智能体的情状态的信息、或者这任意两个不同的第二样本对应的预设历史时刻不同。
89.接下来，对上述模型训练过程中所涉及的第二初始模型和第二模型进行详细介绍。
90.第二初始模型包括第二初始编码器和第二分类器。其中，第二初始编码器具有特征提取功能；第二分类器是具有m分类功能的分类器，m大于或等于第二预设阈值。示例性的，图3a中的(2)示出了上述利用第二训练集对第二初始模型进行训练获得第二模型的示意图，以及第二初始模型的结构。在本技术实施例中，对上述第二初始编码器的结构和第二初始分类器的结构均不作具体限定。也就是说，具有特征提取的模型结构均可作为上述第二初始编码器，具有m分类功能的分类器均可作为上述第二初始分类器。例如，上述第二初始编码器可以但不限于是transformer模型包括的编码器、或者对transformer模型包括的编码器的变体。例如，上述第二初始分类器可以但不限于是随机森林分类器、或者朴素贝叶斯分类器。
91.第二模型是利用第二训练集对第二初始模型的参数进行训练获得的，基于此，第二模型可以包括第二编码器和第二分类器。其中，第二编码器是对第二初始编码器的参数进行上述调整后所获得的编码器；第二分类器是对第二初始分类器的参数进行上述调整后所获得的分类器。示例性的，图3a中的(2)示出了上述利用第二训练集对第二初始模型进行训练获得第二模型的训练过程的示意图。
92.上文详细介绍了第二训练集、第二初始模型和第二模型。下面，结合图5对上述实现方式中“利用第二训练集对第二初始模型包括的第二初始编码器的参数和第二分类器的参数进行调整，获得第二模型”的训练方法500进行详细介绍。参见图5所述，该方法500包括s510至s540。下面，对s510至s540进行详细介绍。
93.s510，利用第二初始编码器对第二样本进行特征提取，获得第二样本的特征向量。
94.执行上述s510，即利用第二初始编码器对第二样本进行特征提取，获得第二样本的特征向量，可以包括以下步骤：将第二样本输入第二初始编码器，第二初始编码器输出第二样本的特征向量。
95.s520，利用第二初始分类器对第二样本的特征向量进行分类处理，获得第二样本的预测标签。
96.在本技术实施例中，第二初始分类器输出的识别结果为m种类型的情感状态中的任意一种类型的情感状态，其中，第二识别结果为m种类型的情感状态中的任意一种类型的情感状态，m大于或等于第二预设阈值。上述实现方式中，第二初始分类器为m分类器。基于此，上述s520所描述的第二样本的预测标签对应一种m种类型的情感状态中的一种类型的情感状态。对上述m的取值和第二预设阈值的取值均不作具体限定。可以理解的是，上述实现方式中，m的取值越大，情感识别结果的粒度越精细，可以进一步提高情感识别结果的准确度。在一些实现方式中，m可以等于n，且m和n均等于24，其中，图3b示出了24种类型的情感状态。传统技术中，通常采用7分类器对情感状态进行识别，7分类器输出的识别结果为以下结果中的一种：“恐惧”、“快乐”、“惊讶”、“愤怒”、“悲伤”、“厌恶”、或者“其他”。在本技术实施例提供的上述实现方式中，第二初始分类器为24分类器，这样，使得训练好的第二模型包括的第二分类器输出的识别结果的粒度更加精细，有利于提高情感识别结果的准确性。
97.执行上述s520，即利用第二初始分类器对第二样本的特征向量进行分类处理，获得第二样本的预测标签，可以包括以下步骤：将第二样本的特征向量输入第二初始分类器，第二初始分类器输出第二样本的预测标签。
98.s530，根据第二样本的真实标签和第二样本的预测标签之间的差异，对第二初始编码器的参数和第二初始分类器的参数进行调整。
99.其中，第二样本的真实标签和第二样本的预测标签之间的差异可以通过损失函数表示。在本技术实施例中，上述损失函数可以是分类损失函数。其中，对分类损失函数的函数形式不作具体限定，可以根据实际需求进行选取。例如，上述分类损失函数可以但不限于为：负对数似然损失、或者交叉熵损失函数。
100.s540，待训练达到第二预设训练条件，停止对第二初始编码器的参数和第二初始分类器的参数进行调整，获得第二模型。
101.对第二预设训练条件不作具体限定，可以根据实际场景进行设置。在一些实现方式中，第二预设训练条件可以包括以下至少一种条件：对第二初始模型的训练次数满足预设训练次数、对第二初始模型的训练时间满足预设训练时间、或者第二初始模型的损失结果(即第二初始模型的损失函数的值)小于预设损失阈值。对上述预设训练次数、预设训练时间和预设损失阈值均不作具体限定，可以根据实际需求进行设置。
102.需说明的是，上述s510至s540所描述的“利用第二训练集对第二初始模型进行训练获得第二模型”的训练步骤仅为示意，并不对本技术实施例构成任何限定。也就是说，还
可以利用第二训练集对第二初始模型执行除上述s510至s540所描述的其他训练步骤，以获得第二模型。
103.可以理解的是，上述图5示出的s510至s540的模型训练原理，与上述图4示出的s410至s440的模型训练原理相同。区别在于，图5示出的第二训练集包括的第二样本和图4示出的第一训练集包括的第一样本不同。
104.在本技术实施例中，对上述s210和上述s220的执行顺序不作具体限定。也就是说，在一些实现方式中，可以在执行上述s210之后再执行上述s220。可选的，在另一些实现方式中，还可以在执行上述s220之后再执行上述s210。
105.s230，根据属性信息、第一识别结果和第二识别结果，确定待识别智能体在当前时刻的情感状态，其中，属性信息表示待识别智能体的性格特征，当前时刻为第二时刻之后的时刻。
106.上述s230所描述的属性信息、第一识别结果和第二识别结果可以理解为是，对待识别智能体在当前时刻的情感状态产生影响的信息。执行上述s230的目的，即根据当前时刻之前的时刻的信息，确定待识别智能体在当前时刻的情感状态，其中，当前时刻之前的时刻的信息包括属性信息、第一识别结果和第二识别结果。其中，待识别智能体的性格特征又称为，待识别智能体的人设。示例性的，图6示出了本技术实施例提供的一种智能体的人设情感向量的示意图，图6示出的智能体的人设情感向量可以作为上述待识别智能体的属性信息。如图6所示，智能体的人设情感向量可以表示以下任意一种人设：正常人设、伤春悲秋人设、或者混混人设。其中，正常人设的情感特征是中性特征，且正常人设对应的消极负面的情感的优先级高于积极正面的情感的优先级。伤春悲秋人设的情感特征是悲伤的情感特征，即伤春悲秋人设的悲伤的情感的优先级高于生气的优先级。混混人设的情感特征是生气特征，即混混人设的生气的情感的优先级高于悲伤的情感的优先级。
107.下面，介绍本技术实施例提供的“根据属性信息、第一识别结果和第二识别结果，确定待识别智能体在当前时刻的情感状态”的实现方式。
108.在本技术实施例中，根据属性信息、第一识别结果和第二识别结果，确定待识别智能体在当前时刻的情感状态，包括：根据属性信息和第一识别结果，确定目标情感度，其中，属性信息表示待识别智能体的性格特征为目标性格；确定目标情感度表示的情感度和第二识别结果表示的负面情感度中的较大情感度；若较大情感度大于预设置信度，则确定待识别智能体在当前时刻的情感状态与较大情感度的情感倾向一致；其中，若第一情感状态表示的正面情感程度超过目标阈值，则目标情感度表示的情感状态与第一情感状态表示的情感倾向一致；若第一情感状态表示的正面情感程度不超过目标阈值，则目标情感度表示的情感状态与第一情感状态表示的情感倾向相反；目标阈值为目标性格对应的阈值，目标性格为多个候选性格中的一个候选性格，不同候选性格对应不同的阈值。对上述确定待识别智能体在当前时刻的情感状态与较大情感度的情感倾向一致不作具体限定。在一些实施方式中，通过比较目标情感度表示的情感度和第二识别结果表示的负面情感度，确定出二者中感情度数值较大的一者，作为较大感情度。在一些实现方式中，待识别智能体在当前时刻的情感状态为较大情感度的情感。例如，较大情感度的情感为开心，待识别智能体在当前时刻的情感状态为开心。可选的，在一些实现方式中待识别智能体在当前时刻的情感状态为与较大情感度的情感相似的情感。例如，较大情感度的情感为高兴，待识别智能体在当前时
刻的情感状态为开心。对上述预设置信度的取值不作具体限定，可以根据实际需求进行设置。上述实现方式中，首先根据属性信息和根据外界刺激信息所产生的第一识别结果确定目标情感度，其中，目标情感度表示的情感状态是根据第一识别结果对应的第一情感状态表示的正面情感程度和目标阈值确定的，其中，目标阈值为目标性格对应的阈值。然后，在根据目标情感度和第二识别结果确定待识别智能体在当前时刻的情感状态。上述实现方式中，在确定待识别智能体在当前时刻的情感状态时，不仅考虑了待识别智能体在第一时刻的第二感情状态，以及待识别智能体在第一时刻受到外界刺激信息后在第二时刻生成的第一感情状态，同时，还考虑了待识别智能体的性格特征对待识别智能体的情感状态的影响。这样，可以提高情感识别结果的准确性。对上述实现方式中所描述的多个候选性格的数目和类型不作具体限定。也就是说，上述实现方式中所描述的多个候选性格的数目和类型可以根据实际应用需求进行设置。通常来说，外向性格的人设受外界刺激信息的影响小于，中性性格的人设受该外界刺激信息的影响；中性性格的人设受外界刺激信息的影响小于，内向性格的人设受该外界刺激信息的影响。基于此，在一些实现方式中，多个候选性格包括：中性性格、外向性格和内向性格，其中，内向性格对应的阈值大于中心性格对应的阈值，中心性格对应的阈值大于外向性格对应的阈值。需说明的是，上述实现方式中所描述的多个候选性格仅为示例，并不对本技术实施例构成任何限定。例如，在一些实现方式中，上述多个候选性格还可以包括乐观性格，其中，乐观性格对应的阈值大于外向性格对应的阈值。
109.应理解的是，上述图2示出的情感识别方法仅为示意，并不对本技术实施例提供的情感识别方法构成任何限定。例如，上文中所描述的智能体还可以替换为用户。又如，上述第一模型和第二模型还可以为同一个模型，该同一个模型中存储两套模型参数，其中，一套模型参数为上述第一模型具有的模型参数，另一套模型参数为上述第二模型具有的模型参数。
110.在本技术实施例中，上述情感识别方法中，根据属性信息、第一识别结果和第二识别结果确定待识别智能体在当前时刻的情感状态，也就是说，在确定待识别智能体在当前时刻的情感状态时，不仅考虑了待识别智能体在当前时刻之前的第一时刻的情感状态(即第二识别结果)，同时，还考虑了在第一时刻给予待识别智能体外界刺激信息后待识别智能体产生的情感状态(即第一识别结果)，以及待识别智能体的属性信息，这样，可以提高情感识别结果的准确性。另外，上述第一识别结果是利用训练好的第一模型获得的，上述第二识别结果是利用训练好的第二模型获得的。其中，第一模型包括的分类器是n分类器，第二模型包括的分类器是m分类器，在n和m的取值较大的情况下，基于第一模型所获得的第一识别结果更加精准，以及基于第二模型所获得的第二识别结果更加精准。进一步，基于第一识别结果和第二识别结果确定的情感识别结果也更加准确。
111.下面，结合图7介绍本技术实施例提供的另一种情感识别方法。可以理解的是，图7所述描述的情感识别方法为上述图2所描述的情感识别方法的一个具体示例，图7所描述的方法仅为示意，并不对本技术提供的情感识别方法构成任何限定。
112.图7是本技术实施例提供的另一种情感识别方法的示意图。本技术实施例提供的情感识别方法可以由执行设备来执行。可以理解的是，该执行设备可以实现为软件、或者软件和硬件的组合。例如，本技术实施例中的执行设备可以但不限于是服务器或用户使用的终端设备。如图7所示，该方法包括s710至s780。下面，对s710至s780进行详细介绍。
113.s710，获取训练数据集1，其中，训练数据集1包括训练样本1和训练样本1的真实标签，训练样本1包括外界环境1对智能体1的情感进行刺激的文本，训练样本1的真实标签表示外界环境1对智能体1进行刺激后对智能体1的情感状态产生的影响。
114.上述训练数据集1，可以理解为是上述图2示出的第一训练集的一个具体示例。训练数据集1包括训练样本1和训练样本1的真实标签。下面，对训练样本1和训练样本1的真实标签进行介绍。
115.训练样本1包括在当前时刻外界环境1对智能体1进行刺激的文本。对外界环境1不作具体限定，外界环境1可以是自然环境或是人为环境。在本技术实施例中，外界环境1可以包括以下至少一种环境：除去智能体1之外的其他智能体、智能体1所处的自然环境、或者与智能体1进行交互的用户。对训练样本1所包括的具有上述性质的文本的内容不作具体限定，可以根据实际需求进行设置。
116.训练样本1的真实标签表示外界环境1对智能体1进行刺激后对智能体1的情感状态产生的影响。具体来说，外界环境1对智能体1进行刺激后对智能体1的情感状态产生的影响可以为积极正面的影响、或者为消极负面的影响。下面，对训练样本1和训练样本的真实标签进行举例描述。例如，在一些场景下，外界环境1可以为与智能体1进行交互的用户，这种场景中，训练样本1可以为：“你真是太聪明了”。这种场景中，训练样本1的真实标签可以为：“开心”。示例性的，下文中的表1举例描述了不同的外界环境1对应的刺激类别对智能体1的情感状态产生的影响。
117.表1
[0118][0119]
在上述表1中，对智能体1的情感状态产生的影响用数值表示，其中，一个情感对应的数字越大表示该一个情感的程度越深。例如，以上述表1中示出的外界环境1对应的刺激类别为对话-夸赞为例，会给到智能体1程度为“2”的“高兴”的刺激。又如，以上述表1中示出的外界环境1对应的刺激类别为对话-攻击为例，会给到智能体1程度为“2”的“生气”的刺激，以及一个程度为“2”的“害怕”的刺激。
[0120]
在本技术实施例中，对上述训练数据集1包括的训练样本的数目不作具体限定。也就是说，训练数据集1可以包括至少一个训练样本1和至少一个训练样本1的真实标签。可选
的，训练数据集1还可以包括多个训练样本1和多个训练样本1的真实标签，其中，多个训练样本1中的任意两个训练样本1均不同，即多个训练样本1均不同。
[0121]
在本技术实施例中，对执行上述s710所描述的获取训练数据集1的获取数据的方法不作具体限定。例如，在执行设备执行图7示出的情感识别方法的场景中，可以由执行设备直接执行数据采集过程以获取上述s710所描述的数据集获取过程。又如，在执行设备执行图7示出的情感识别方法的场景中，还可以由与执行设备相互通信的其他设备执行数据采集过程以获取上述s710所描述的训练数据集1，此后，执行设备可以从与其通信的其他设备处获取该训练数据集1。
[0122]
s720，利用训练数据集1对初始外界刺激模型执行训练，获得外界刺激模型，其中，初始外界刺激模型包括初始编码器a和初始情感分类器a。
[0123]
上述初始外界刺激模型，可以理解为是上述图2所描述的方法中的第一初始模型的一个具体示例；上述初始编码器a和初始情感分类器a，分别可以理解为是上述图2所描述的方法中的第一初始编码器和第一初始分类器；上述外界刺激模型可以理解为是上述图2示出的第一模型的一个具体示例。
[0124]
执行上述s720的目的为：利用上述s710所获取的训练数据集1对初始外界刺激模型执行模型训练，以获得训练好的外界刺激模型。可以理解的是，上述s720所描述的初始外界刺激模型的模型结构和外界刺激模型的模型结构相同，区别在于，初始外界刺激模型的模型参数和外界刺激模型的模型参数存在差异。可以理解的是，外界刺激模型包括编码器a和情感分类器a，其中，编码器a和初始编码器a的区别在于参数和/或参数的取值不同；分类器a和初始分类器a的区别在于参数和/或参数的取值不同。也就是说，编码器a的结构和初始编码器a的结构是相同的。分类器a的结构和初始分类器a的结构是相同的。
[0125]
下面，对上述s720所涉及的初始编码器a和初始情感分类器a进行详细介绍。
[0126]
初始编码器a用于对训练数据集1包括的训练样本1进行特征提取，以获得训练样本1的特征向量。其中，训练样本1的特征向量用于表示训练样本1。也就是说，根据训练样本1的特征向量可以生成训练样本1。在本技术实施例中，对初始编码器a的类型不作具体限定，初始编码器a仅需具有特征提取功能即可，初始编码器a的类型可以根据实际应用需求进行选取。例如，初始外界刺激模型包括的初始编码器a可以但不限于是transformer模型包括的编码器、或者对transformer模型包括的编码器的变体。
[0127]
初始情感分类器a是一个24分类器。具体来说，初始情感分类器a的输出结果为24种情感状态中的任意一种情感状态，示例性的，图3b示出的二维情感坐标中所描述的24种情感状态中的任意一种类型的情感状态可以作为初始情感分类器a的输出结果。
[0128]
在本技术实施例中，执行上述s720具体可以包括s720-1至s720-4。接下来，结合s720-1至s720-4对s720进行详细介绍。
[0129]
s720-1，利用初始外界刺激模型包括的初始编码器a对训练数据集1包括的训练样本1进行特征提取，获得训练样本1的特征向量。
[0130]
s720-2，利用初始外界刺激模型包括的初始情感分类器a对训练样本1的特征向量进行分类，获得训练样本1的预测标签。
[0131]
训练样本1的预测标签表示初始外界刺激模型对训练样本1进行情感识别所预测的训练样本1所关联的智能体1的情感状态。
[0132]
下面，举例描述上述s720-1和s720-2的实现过程。示例性的，在一些实现方式中，训练样本1可以为：“你真是太聪明了”，训练样本1的真实标签可以为“高兴”。基于此，初始编码器a的输入数据可以为：“你真是太聪明了”，输入数据标签可以为：“高兴”；初始编码器a的输出数据可以为：“你真是太聪明了”的情感刺激特征向量；初始情感分类器a的输入可以为：“你真是太聪明了”的情感刺激特征向量；初始情感分类器a的输出可以为：“开心”。
[0133]
s720-3，根据训练样本1的预测标签和训练数据集1包括的训练样本1的真实标签之间的差异，对初始外界刺激模型的参数进行调整。
[0134]
在本技术实施例中，可以利用损失函数a表示训练样本1的预测标签和训练数据集1包括的训练样本1的真实标签之间的差异。也就是说，执行上述s720-3，即通过调整初始外界刺激模型的参数，以最小化损失函数a，使得训练样本1的预测标签和训练数据集1包括的训练样本1的真实标签之间的差异满足预设训练条件a。上述损失函数a可以是多分类损失函数，例如该多分类损失函数可以但不限于为多分类交叉熵损失函数。
[0135]
执行上述s720-3的方法中，对初始外界刺激模型的参数进行调整，包括：对初始外界刺激模型包括的初始编码器a的参数进行调整；以及，对初始外界刺激模型包括的初始情感分类器a的参数进行调整。
[0136]
s720-4，待训练达到预设训练条件a时，停止对初始外界刺激模型的参数进行调整，获得外界刺激模型。
[0137]
上述预设训练条件a，可以理解为是上述图2所描述的方法中的第一预设训练条件的一个具体示例。
[0138]
在本技术实施例中，对预设训练条件a不作具体限定，具体可以根据实际需求来设置预设训练条件a。在一些实现方式中，预设训练条件a可以包括以下任意一种条件：对初始外界刺激模型的训练次数大于预设训练次数、初始外界刺激模型的输出结果对应的损失值在预设误差范围内、或者初始外界刺激模型的输出结果达到预设识别精度。其中，预设训练次数、预设误差范围和预设识别精度可以根据实际需求进行选取，本技术实施例对此不作具体限定。
[0139]
执行上述s710和上述s720，即为利用训练数据集1对初始外界刺激模型执行模型训练，获得训练好的外界刺激模型的过程。可以理解的是，在本技术实施例中，执行上述s710和s720后所获得的外界刺激模型的作用为：在智能体受到外界环境刺激后，确定外界环境对智能体的情感状态的影响。
[0140]
s730，获取训练数据集2，其中，训练数据集2包括训练样本2和训练样本2的真实标签，训练样本2包括用于表示当前时刻智能体1的情感状态的文本，训练样本2的真实标签表示当前时刻智能体1的情感状态。
[0141]
上述训练数据集2，可以理解为是上述图2所描述的方法中的第二训练集的一个具体示例；上述训练样本2，可以理解为是上述图2所描述的方法中的第二样本的一个具体示例；上述训练样本2的真实标签，可以理解为是上述图2所描述的方法中的第二样本的真实标签的一个具体示例。
[0142]
在本技术实施例中，训练样本2包括用于表示智能体1受到外界环境1的刺激后的情感状态的文本。其中，智能体1在受到外界环境1的刺激后智能体1所描述的自己的情感，可以表示智能体1受到外界环境1的刺激后的情感状态的文本。
[0143]
训练样本2的真实标签表示智能体1受到外界环境1的刺激后的智能体1所描述的自己的情感状态。对训练样本2和训练样本2的真实标签不作具体限定，可以根据实际应用场景进行设置。例如，训练样本2可以为：“我今天心情很好”，训练样本2的真实标签可以为：“开心”。又如，训练样本2可以为：“我今天心情很低落”，训练样本2的真实标签可以为：“伤心”。
[0144]
在本技术实施例中，对上述训练数据集2包括的训练样本的数目不作具体限定。也就是说，训练数据集2可以包括至少一个训练样本2和至少一个训练样本2的真实标签。可选的，训练数据集2还可以包括多个训练样本2和多个训练样本2的真实标签，其中，多个训练样本2中的任意两个训练样本2均不同，即多个训练样本2均不同。
[0145]
在本技术实施例中，对执行上述s730所描述的获取训练数据集2的获取数据的方法不作具体限定。例如，在执行设备执行图7示出的情感识别方法的场景中，可以由执行设备直接执行数据采集过程以获取上述s730所描述的数据集获取过程。又如，在执行设备执行图7示出的情感识别方法的场景中，还可以由与执行设备相互通信的其他设备执行数据采集过程以获取上述s730所描述的训练数据集2，此后，执行设备可以从与其通信的其他设备处获取该训练数据集2。
[0146]
s740，利用训练数据集2对初始情感识别模型执行训练，获得情感识别模型，其中，初始情感识别模型包括初始编码器b和初始情感识别分类器b。
[0147]
上述初始情感识别模型，可以理解为是上述图2所描述的方法中的第二初始模型的一个具体示例；上述初始编码器b和初始情感分类器b，分别可以理解为是上述图2所描述的方法中的第二初始编码器和第二初始分类器；上述情感识别模型可以理解为是上述图2示出的第二模型的一个具体示例。可以理解的是，情感识别模型包括编码器b和情感分类器b，其中，编码器b和初始编码器b的区别在于参数和/或参数的取值不同；分类器b和初始分类器b的区别在于参数和/或参数的取值不同。也就是说，编码器b的结构和初始编码器b的结构是相同的。分类器a的结构和初始分类器b的结构是相同的。
[0148]
执行上述s740的目的为：利用上述s730所获取的训练数据集3对初始情感识别模型执行模型训练，以获得训练好的情感识别模型。可以理解的是，上述s740所描述的初始情感识别模型的模型结构和情感识别模型的模型结构相同，区别在于，初始情感识别模型的模型参数和情感识别模型的模型参数存在差异。
[0149]
下面，对上述s740所涉及的初始编码器b和初始情感分类器b进行介绍。
[0150]
初始编码器b用于对训练数据集2包括的训练样本2进行特征提取，以获得训练样本2的特征向量。
[0151]
初始情感分类器b是一个24分类器，初始情感分类器b的输出结果为24种情感状态中的任意一种情感状态。其中，初始情感分类器b的输出结果对应的24种情感状态可以为上文中初始情感分类器a的输出结果对应的24种情感状态相同，此处为详细赘述的内容可以参见上文中的相关描述。
[0152]
在本技术实施例中，执行上述s740具体可以包括s740-1至s740-4。接下来，结合s740-1至s740-4对s740进行详细介绍。
[0153]
s740-1，利用初始情感识别模型包括的初始编码器b对训练数据集2包括的训练样本2进行特征提取，获得训练样本2的特征向量。
[0154]
s740-2，利用初始情感识别模型包括的初始情感分类器b对训练样本2的特征向量进行分类，获得训练样本2的预测标签。
[0155]
训练样本2的预测标签表示初始情感识别模型对训练样本2进行情感识别所预测的训练样本2所关联的智能体1的情感状态。
[0156]
下面，举例描述上述s740-1和s740-2的实现过程。示例性的，在一些实现方式中，训练样本2可以为：“我今天心情很好”，训练样本1的真实标签可以为“开心”。基于此，初始编码器b的输入数据可以为：“我今天心情很好”，输入数据标签可以为：“开心”；初始编码器b的输出数据可以为：“我今天心情很好”的情绪特征向量；初始情感分类器b的输入可以为：“我今天心情很好”的情绪特征向量；初始情感分类器b的输出可以为：“开心”。
[0157]
s740-3，根据训练样本2的预测标签和训练数据集2包括的训练样本2的真实标签之间的差异，对初始情感识别模型的参数进行调整。
[0158]
在本技术实施例中，可以利用损失函数b表示训练样本2的预测标签和训练数据集2包括的训练样本2的真实标签之间的差异。也就是说，执行上述s720-3，即通过调整初始情感识别模型的参数，以最小化损失函数b，使得训练样本2的预测标签和训练数据集2包括的训练样本2的真实标签之间的差异满足预设训练条件b。上述损失函数b可以是多分类损失函数，例如该多分类损失函数可以但不限于为多分类交叉熵损失函数。
[0159]
执行上述s740-3的方法中，对初始情感识别模型的参数进行调整，包括：对初始情感识别模型包括的初始编码器b的参数进行调整；以及。对初始情感识别模型包括的初始情感分类器b的参数进行调整。
[0160]
s740-4，待训练达到预设训练条件b时，停止对初始情感识别模型的参数进行调整，获得情感识别模型。
[0161]
上述预设训练条件b，可以理解为是上述图2所描述的方法中的第二预设训练条件的一个具体示例。
[0162]
在本技术实施例中，对预设训练条件b不作具体限定，具体可以根据实际需求来设置预设训练条件b。在一些实现方式中，预设训练条件b可以包括以下任意一种条件：对初始情感识别模型的训练次数大于预设训练次数、初始情感识别模型的输出结果对应的损失值在预设误差范围内、或者初始情感识别模型的输出结果达到预设识别精度。其中，预设训练次数、预设误差范围和预设识别精度可以根据实际需求进行选取，本技术实施例对此不作具体限定。
[0163]
执行上述s730和上述s740，即为利用训练数据集2对初始情感识别模型执行模型训练，获得训练好的情感识别模型的过程。可以理解的是，在本技术实施例中，执行上述s730和s740后所获得的情感识别模型的作用为：根据智能体所表达的自己的情感状态，确定智能体的情感状态。
[0164]
上文，结合s710至s740介绍了本技术实施例提供的生成外界刺激模型和情感识别模型的方法。接下来，介绍基于外界刺激模型和情感识别模型的应用阶段。
[0165]
s750，获取待识别文本1，并利用外界刺激模型对待识别文本1进行处理，获得待识别文本1对应的情感刺激结果，其中，待识别文本1是在时刻1时外界环境2对智能体1进行刺激后对智能体1的情感状态产生影响的文本。
[0166]
上述待识别文本1可以理解为是上述图2所描述的方法中的第一待识别文本。
[0167]
上述s750所描述的外界刺激模型是利用训练数据集1进行训练所获得的训练好的模型。基于此，利用外界刺激模型对待识别文本1进行处理，可以获得待识别文本1对应的情感刺激结果。
[0168]
待识别文本1是在时刻1时外界环境2对智能体1进行刺激后对智能体1的情感状态产生影响的文本，其中，待识别文本1可以包括在时刻1时外界环境2对智能体1进行刺激后对智能体1的情感状态产生影响的内容。
[0169]
待识别文本1对应的情感刺激结果表示在时刻1时外界环境2对智能体1进行刺激后智能体1所产生的情感状态，该情感状态可以为图3b示出的24种情感状态中的任意一种情感状态。
[0170]
在本技术实施例中对上述外界环境2不作具体限定，即外界环境2可以是积极正面的环境或消极负面的环境。通常情况下，智能体1接受到作为积极正面的外界环境2后，智能体1的情感会受到积极正向的刺激。例如，待识别文件1具体可以包括以下内容：“你真聪明”，基于此，待识别文本1对应的情感刺激结果可以为：“快乐”。
[0171]
s760，获取待识别文件2，并利用情感识别模型对待识别文件2进行处理，获得待识别文本2对应的情感识别结果，其中，待识别文本2是描述智能体1在时刻1时智能体1的情感状态的文本。
[0172]
上述待识别文本2可以理解为是上述图2所描述的方法中的第二待识别文本。
[0173]
上述s760所描述的情感识别模型是利用训练数据集2进行训练所获得的训练好的模型。基于此，利用情感识别模型对待识别文本2进行处理，可以获得待识别文本2对应的情感识别结果。
[0174]
待识别文本2是描述智能体1在时刻1时智能体1的情感状态的文本。其中，在智能体1在时刻1所说的话可以用于描述智能体1在时刻1时智能体1的情感状态。在本技术实施例中，智能体1在时刻1所说的话可以由语言模型根据智能体1在时刻1的情感状态生成。对待识别文本2所描述的智能体1的情感状态的类型不作具体限定，也就是说，待识别文本2所描述的智能体1的情感状态的类型可以为图3b示出的24种情感状态中的任意一种。
[0175]
待识别文本2对应的情感识别结果表示智能体1在时刻1时的情感状态。
[0176]
s770，获取智能体1的人设情感向量，其中，智能体1的人设情感向量表示智能体1的性格特征。
[0177]
上述智能体1的人设情感向量，可以理解为是上述图2所描述的方法中的待识别智能体的属性信息的一个具体示例。
[0178]
智能体1的人设情感向量表示智能体1的性格特征，其中，智能体1的性格特征包括智能体1的内在特征和外在特征。示例性的，图6示出了本技术实施例提供的一种智能体的人设情感向量的示意图，图6示出的智能体的人设情感向量可以作为上述智能体1的性格特征。此处对图6未详细赘述的内容可以参见上文s230中对图6的描述。
[0179]
在本技术实施例中，对获取智能体1的人设情感向量的获取方式不作具体限定。例如，在一些场景中，执行本技术实施例提供的情感识别方法的设备的存储空间中存储有智能体1的人设情感向量，这样，该设备可以通过访问自己的存储空间获取智能体1的人设情感向量。又如，例如，在另一些场景中，远端服务器的数据库中存储有智能体1的人设情感向量，这样，执行本技术实施例提供的情感识别方法的设备可以通过与远端服务器进行数据
交互，以实现从远端服务器的数据库中成功读取到智能体1的人设情感向量。
[0180]
s780，根据待识别文本1对应的情感刺激结果、待识别文本2对应的情感识别结果和智能体1的人设情感向量，确定智能体1在时刻2的情感状态。
[0181]
实际应用中，人类的情绪本身受多方面的影响，包括环境与人类自身的一些状态，情绪的转移更加复杂，如何界定情绪转移的量(即定量)，如何界定量变和质变的区别。同时，人类的情绪也受一定的背景知识影响，例如，我不喜欢玩篮球，张三喜欢玩篮球，若篮球发生丢失，则我和张三对于篮球丢失事件的情绪反应也是存在较大差异的。基于此，为了提高情感识别结果的准确性，在本技术实施例中，通过执行上述s780所描述的方法，即根据智能体1在时刻1接受到外界环境2的刺激后所对应的情感刺激结果、智能体1在时刻1所描述的自己的情感状态所对应的情感识别结果、以及智能体1的人设情感向量，确定智能体1在时刻2的情感状态。也就是说，上述实现方式中，不仅考虑了智能体1在时刻1受到外界的刺激后对智能体1的情感状态产生的影响，同时考虑了智能体1在时刻1时智能体1所表达的自己的情感状态，以及智能体1的性格特征。这样，使得基于上述方法所确定的智能体1在时刻2的情感识别结果更加准确。
[0182]
上述s780所描述的待识别文本1对应的情感刺激结果和待识别文本2对应的情感识别结果均为图3b示出的4种情感状态中的任意一种情感状态。为便于描述，将待识别文本1对应的情感刺激结果对应的情感状态简记为情感状态a，以及将待识别文本2对应的情感识别结果对应的情感状态简记为情感状态b。在本技术实施例中，对智能体1的人设情感向量所描述的智能体1的人设不作具体限定。换句话说，在本技术实施例中，智能体1的人设情感向量所描述的智能体1的人设可为以下任意一种人设：正常人设、伤春悲秋人设、或者混混人设。
[0183]
接下来，结合实现方式一至实现方式三中所描述的智能体1的人设，对上述s780所描述的方法进行介绍。其中，实现方式一所描述的智能体1的人设为正常人设；实现方式一所描述的智能体1的人设为伤春悲秋人设；实现方式一所描述的智能体1的人设为混混人设。
[0184]
实现方式一：
[0185]
在实现方式一中，智能体1的人设情感向量表示智能体1是一个正常人设。也就是说，这种实现方式中，智能体1的情感状态更倾向于中性状态。
[0186]
在实现方式一中，执行上述s780，即根据待识别文本1对应的情感刺激结果、待识别文本2对应的情感识别结果和智能体1的人设情感向量，确定智能体1在时刻2的情感状态，可以包括以下步骤：若情感状态a和情感状态b之间的差异小于预设差异的情况下，确定智能体1在时刻2的情感状态为情感状态a或情感状态b；或者，若情感状态a为积极正面的情感状态的程度超过预设阈值1，且情感状态b为消极负面的情感状态的程度不超过预设阈值2，确定智能体1在时刻2的情感状态为情感状态a；或者，若情感状态a为积极正面的情感状态的程度不超过预设阈值1，且情感状态b为消极负面的情感状态的程度超过预设阈值2，确定智能体1在时刻2的情感状态为情感状态b。
[0187]
在本技术实施例中，对上述预设阈值1和预设阈值2的取值不作具体限定。在一些实现方式中，上述预设阈值1和预设阈值2的取值可以均等于零。
[0188]
实现方式二：
[0189]
在实现方式二中，智能体1的人设情感向量表示智能体1是一个伤春悲秋人设。也就是说，这种实现方式中，智能体1的情感状态更倾向于悲伤和伤感状态。
[0190]
在实现方式二中，执行上述s780，即根据待识别文本1对应的情感刺激结果、待识别文本2对应的情感识别结果和智能体1的人设情感向量，确定智能体1在时刻2的情感状态，可以包括以下步骤：若情感状态a对应的积极正面的情感的程度超过预设阈值1’，且情感状态b对应的消极负面的情感的程度不超过预设阈值2’，则确定智能体1在时刻2的情感状态为情感状态a；或者，若情感状态a对应的积极正面的情感的程度不超过预设阈值1’，且情感状态b对应的消极负面的情感的程度超过预设阈值2’，则确定智能体1在时刻2的情感状态为情感状态a。在本技术实施例中，上述预设阈值1’可以大于上述预设阈值1，上述预设阈值2’可以大于上述预设阈值2。在一些实现方式中，上述预设阈值1和预设阈值2的取值可以均等于零，上述预设阈值1’和预设阈值2’的取值可以均等于2。
[0191]
实现方式三：
[0192]
在实现方式三中，智能体1的人设情感向量表示智能体1是一个混混人设。也就是说，这种实现方式中，智能体1的情感状态更倾向于生气和愤怒状态。
[0193]
在实现方式三中，执行上述s780，即根据待识别文本1对应的情感刺激结果、待识别文本2对应的情感识别结果和智能体1的人设情感向量，确定智能体1在时刻2的情感状态，可以包括以下步骤：若情感状态a对应的积极正面的情感的程度超过预设阈值#1，且情感状态b对应的消极负面的情感的程度不超过预设阈值#2，则确定智能体1在时刻2的情感状态为情感状态a；或者，若情感状态a对应的积极正面的情感的程度不超过预设阈值#1，且情感状态b对应的消极负面的情感的程度超过预设阈值#2，则确定智能体1在时刻2的情感状态为情感状态b。在本技术实施例中，上述预设阈值#1可以大于上述预设阈值1’，上述预设阈值#2可以小于上述预设阈值2’。在一些实现方式中，上述预设阈值1和预设阈值2的取值可以均等于零；上述预设阈值1’和预设阈值2’的取值可以均等于2；上述预设阈值#1的取值可以等于3，上述预设阈值#2的取值可以等于1.5。
[0194]
应理解的是，上述图7示出的情感识别方法仅为示意，并不对本技术实施例提供的情感识别方法构成任何限定。例如，上述s750所描述的待识别文本1还可以替换为待识别语音，进一步，对待识别语音进行语义识别获得上述待识别文本1。又如，上述初始情感分类器a和初始情感分类器b均是24分类器。可选的，在另一些应用场景中，上述初始情感分类器a和初始情感分类器b还可以为更多数目或更少数目的分类器。
[0195]
在本技术实施例中，根据智能体1在时刻1接受到外界环境2的刺激后所对应的情感刺激结果、智能体1在时刻1所描述的自己的情感状态所对应的情感识别结果、以及智能体1的人设情感向量，确定智能体1在时刻2的情感状态。也就是说，上述实现方式中，不仅考虑了智能体1在时刻1受到外界的刺激后对智能体1的情感状态产生的影响，同时考虑了智能体1在时刻1时智能体1所表达的自己的情感状态，以及智能体1的性格特征。这样，使得基于上述方法所确定的智能体1在时刻2的情感识别结果更加准确。上述情感刺激结果是利用训练好的外界刺激模型获得的，上述情感识别结果是利用训练好的情感识别模型获得的。其中，外界刺激模型包括的情感分类器a是24分类器，情感识别模型包括的情感分类器b是24分类器，这样，可以使得所获得的情感刺激模型结果和情感识别结果更加准确，有利于提高情感识别结果的准确性。
[0196]
上文，结合图1至图7详细介绍了本技术提供的情感识别方法适用的应用场景和情感识别方法。下面，结合图8和图11介绍本技术提供的情感识别装置、训练装置、执行设备和训练设备。应理解，上文中情感识别方法与下文中情感识别装置和执行设备相对应。上文中模型训练方法与下文中训练装置和训练设备相对应下文中未详细描述的内容可以参见上述方法实施例中的相关描述。
[0197]
与本技术实施例提供的一种情感识别方法对应的，本技术实施例提供一种情感识别装置。
[0198]
图8是本技术实施例提供的一种情感识别装置的结构示意图。如图8所示，情感识别装置包括第一识别单元801、第二识别单元802和确定单元803。下面对第一识别单元801、第二识别单元802和确定单元803中的每个单元的作用进行详细介绍。
[0199]
所述第一识别单元801用于：利用第一模型对第一待识别文本进行识别，获得第一识别结果，其中，所述第一待识别文本包括在第一时刻给予待识别智能体的第一外界刺激信息，所述第一识别结果表示所述第一外界刺激信息使得所述待识别智能体在所述第一时刻之后的第二时刻产生的第一情感状态；所述第二识别单元802用于：利用第二模型对第二待识别文本进行识别，获得第二识别结果，其中，所述第二待识别文本包括用于描述所述待识别智能体在所述第一时刻的第二情感状态的信息，所述第二识别结果表示所述第二情感状态；所述确定单元803用于：根据属性信息、所述第一识别结果和所述第二识别结果，确定所述待识别智能体在所述当前时刻的情感状态，其中，所述属性信息表示所述待识别智能体的性格特征，所述当前时刻为所述第二时刻之后的时刻。
[0200]
与本技术实施例提供的一种模型训练方法对应的，本技术实施例提供一种训练装置。
[0201]
图9是本技术实施例提供的一种训练装置的结构示意图。如图9所示，训练装置包括获取单元901和训练单元902。下面，对获取单元901和训练单元902的作用进行介绍。
[0202]
上述图9示出的训练装置可以用于利用第一训练集对第一初始模型进行训练获得第一模型。下面，详细介绍这种训练方式中，获取单元901和训练单元902的作用。
[0203]
所述获取单元901用于：获取第一训练集，其中，所述第一训练集包括第一样本和所述第一样本的真实标签，所述第一样本包括在第一预设历史时刻给予智能体的外界刺激信息，所述第一样本的真实标签表示给予所述智能体的外界刺激信息使得所述智能体在所述第一预设历史时刻之后的第二预设历史时刻产生的情感状态；所述训练单元902用于：利用所述第一训练集对第一初始模型包括的第一初始编码器的参数和第一初始分类器的参数进行调整，获得所述第一模型。
[0204]
上述图9示出的训练装置可以用于利用第二训练集对第二初始模型进行训练获得第二模型。下面，详细介绍这种训练方式中，获取单元901和训练单元902的作用。
[0205]
所述获取单元901用于：获取第二训练集，其中，所述第二训练集包括第二样本和所述第二样本的真实标签，所述第二样本包括用于描述智能体在第一预设历史时刻的情感状态的信息，所述第二样本的真实标签表示所述智能体在所述第一预设历史时刻的情感状态；所述训练单元902用于：利用第二训练集对第二初始模型包括的第二初始编码器的参数和第二分类器的参数进行调整，获得所述第二模型。
[0206]
与本技术实施例提供的一种模型训练方法对应的，本技术实施例提供一种执行设
备。
[0207]
图10是本技术实施例提供的一种执行设备结构示意图，执行设备1000上可以部署有上述图8对应实施例中所描述的情感识别装置，用于实现上文中图2所描述的方法，以及图7示出的模型应用阶段所描述的方法的各个步骤。具体的，执行设备1000由一个或多个服务器实现，执行设备1000可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，cpu)1022(例如，一个或一个以上处理器)和存储器1032，一个或一个以上存储应用程序1042或数据1044的存储介质1030(例如一个或一个以上海量存储设备)。其中，存储器1032和存储介质1030可以是短暂存储或持久存储。存储在存储介质1030的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对训练设备中的一系列指令操作。更进一步地，中央处理器1022可以设置为与存储介质1030通信，在执行设备1000上执行存储介质1030中的一系列指令操作。
[0208]
执行设备1000还可以包括一个或一个以上电源1026，一个或一个以上有线或无线网络接口1050，一个或一个以上输入输出接口1058，和/或，一个或一个以上操作系统1041，例如windows servertm，mac os xtm，unixtm，linuxtm，freebsdtm等。
[0209]
与本技术实施例提供的一种情感识别方法对应的，本技术实施例提供一种训练设备。
[0210]
图11是本技术实施例提供的一种训练设备的结构示意图，训练设备1100具体可以表现为虚拟现实vr设备、手机、平板、笔记本电脑、智能穿戴设备、监控数据处理设备或者雷达数据处理设备等，此处不做限定。其中，训练设备1100上可以部署有图9对应实施例中所描述的训练装置，用于实现图4所描述的方法和图5所描述的方法，以及图7示出的模型训练阶段所描述的方法的各个步骤。具体的，训练设备1100包括：接收器1101、发射器1102、处理器1103和存储器1104(其中训练设备1100中的处理器1103的数量可以一个或多个，图11中以一个处理器为例)，其中，处理器1103可以包括应用处理器11031和通信处理器11032。在本技术的一些实施例中，接收器1101、发射器1102、处理器1103和存储器1104可通过总线或其它方式连接。
[0211]
存储器1104可以包括只读存储器和随机存取存储器，并向处理器1103提供指令和数据。存储器1104的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory，nvram)。存储器1104存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。
[0212]
处理器1103控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。
[0213]
上述本技术实施例揭示的方法可以应用于处理器1103中，或者由处理器1103实现。处理器1103可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1103可以是通用处理器、数字信号处理器(digital signal processing，dsp)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可
编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1103可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1104，处理器1103读取存储器1104中的信息，结合其硬件完成上述方法的步骤。
[0214]
接收器1101可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1102可用于通过第一接口输出数字或字符信息；发射器1102还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1102还可以包括显示屏等显示设备。
[0215]
本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质包括计算机指令，计算机指令在被处理器执行时用于实现本技术实施例中任意一种情感识别方法的技术方案。
[0216]
本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质包括计算机指令，计算机指令在被处理器执行时用于实现本技术实施例中任意一种训练方法的技术方案。
[0217]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读介质上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本技术公开实施方式的方法。
[0218]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0219]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0220]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储介质或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0221]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形
式。
[0222]
本技术虽然以较佳实施例公开如上，但其并不是用来限定本技术，任何本领域技术人员在不脱离本技术的精神和范围内，都可以做出可能的变动和修改，因此本技术的保护范围应当以本技术权利要求所界定的范围为准。

技术特征：
1.一种情感识别方法，其特征在于，所述方法包括：利用第一模型对第一待识别文本进行识别，获得第一识别结果，其中，所述第一待识别文本包括在第一时刻给予待识别智能体的外界刺激信息，所述第一识别结果表示所述外界刺激信息使得所述待识别智能体在所述第一时刻之后的第二时刻产生的第一情感状态；利用第二模型对第二待识别文本进行识别，获得第二识别结果，其中，所述第二待识别文本包括用于描述所述待识别智能体在所述第一时刻的第二情感状态的信息，所述第二识别结果表示所述第二情感状态；根据属性信息、所述第一识别结果和所述第二识别结果，确定所述待识别智能体在当前时刻的情感状态，其中，所述属性信息表示所述待识别智能体的性格特征，所述当前时刻为所述第二时刻之后的时刻。2.根据权利要求1所述的方法，其特征在于，在所述利用第一模型对第一待识别文本进行识别，获得第一识别结果之前，所述方法还包括：利用第一训练集对第一初始模型包括的第一初始编码器的参数和第一初始分类器的参数进行调整，获得所述第一模型，其中，所述第一训练集包括第一样本和所述第一样本的真实标签，所述第一样本包括在第一预设历史时刻给予智能体的外界刺激信息，所述第一样本的真实标签表示给予所述智能体的外界刺激信息使得所述智能体在所述第一预设历史时刻之后的第二预设历史时刻产生的情感状态。3.根据权利要求2所述的方法，其特征在于，所述利用所述第一训练集对所述第一初始编码器的参数和所述第一初始分类器的参数进行调整，获得所述第一模型，包括：利用所述第一初始编码器对所述第一样本进行特征提取，获得所述第一样本的特征向量；利用所述第一初始分类器对所述第一样本的特征向量进行分类处理，获得所述第一样本的预测标签；根据所述第一样本的真实标签和所述第一样本的预测标签之间的差异，对所述第一初始编码器的参数和所述第一初始分类器的参数进行调整；待训练达到第一预设训练条件，停止对所述第一初始编码器的参数和所述第一初始分类器的参数进行调整，获得所述第一模型。4.根据权利要求2或3所述的方法，其特征在于，所述第一初始分类器输出的识别结果为n种类型的情感状态中的任意一种类型的情感状态，其中，所述第一识别结果为所述n种类型的情感状态中的任意一种类型的情感状态，所述n大于或等于第一预设阈值。5.根据权利要求1至4任一项所述的方法，其特征在于，在所述利用第二模型对第二待识别文本进行识别，获得第二识别结果之前，所述方法还包括：利用第二训练集对第二初始模型包括的第二初始编码器的参数和第二分类器的参数进行调整，获得所述第二模型，其中，所述第二训练集包括第二样本和所述第二样本的真实标签，所述第二样本包括用于描述智能体在第一预设历史时刻的情感状态的信息，所述第二样本的真实标签表示所述智能体在所述第一预设历史时刻的情感状态。6.根据权利要求5所述的方法，其特征在于，所述利用第二训练集对第二初始模型包括的第二初始编码器的参数和第二分类器的参数进行调整，获得所述第二模型，包括：
利用所述第二初始编码器对所述第二样本进行特征提取，获得所述第二样本的特征向量；利用所述第二初始分类器对所述第二样本的特征向量进行分类处理，获得所述第二样本的预测标签；根据所述第二样本的真实标签和所述第二样本的预测标签之间的差异，对所述第二初始编码器的参数和所述第二初始分类器的参数进行调整；待训练达到第二预设训练条件，停止对所述第二初始编码器的参数和所述第二初始分类器的参数进行调整，获得所述第二模型。7.根据权利要求5或6所述的方法，其特征在于，所述第二初始分类器输出的识别结果为m种类型的情感状态中的任意一种类型的情感状态，其中，所述第二识别结果为所述m种类型的情感状态中的任意一种类型的情感状态，所述m大于或等于第二预设阈值。8.根据权利要求1至7任一项所述的方法，其特征在于，所述根据属性信息、所述第一识别结果和所述第二识别结果，确定所述待识别智能体在所述当前时刻的情感状态，包括：根据所述属性信息和所述第一识别结果，确定目标情感度，其中，所述属性信息表示所述待识别智能体的性格特征为目标性格；确定所述目标情感度表示的情感度和所述第二识别结果表示的负面情感度中的较大情感度；若所述较大情感度大于预设置信度，则确定所述待识别智能体在所述当前时刻的情感状态与所述较大情感度的情感倾向一致；其中，若所述第一情感状态表示的正面情感程度超过目标阈值，则所述目标情感度表示的情感状态与所述第一情感状态表示的情感倾向一致；若所述第一情感状态表示的正面情感程度不超过目标阈值，则所述目标情感度表示的情感状态与所述第一情感状态表示的情感倾向相反；所述目标阈值为所述目标性格对应的阈值，所述目标性格为多个候选性格中的一个候选性格，不同候选性格对应不同的阈值。9.根据权利要求8所述的方法，其特征在于，所述多个候选性格包括：中性性格、外向性格和内向性格，其中，所述内向性格对应的阈值大于所述中心性格对应的阈值，所述中心性格对应的阈值大于所述外向性格对应的阈值。10.根据权利要求1至9任一项所述的方法，其特征在于，所述外界刺激信息包括以下至少一种信息：对所述待识别智能体的评价信息、或者所述待识别智能体所处位置的环境信息。11.一种情感识别装置，其特征在于，所述装置包括：第一识别单元，用于利用第一模型对第一待识别文本进行识别，获得第一识别结果，其中，所述第一待识别文本包括在第一时刻给予待识别智能体的外界刺激信息，所述第一识别结果表示所述外界刺激信息使得所述待识别智能体在第一时刻之后的第二时刻产生的第一情感状态；第二识别单元，用于利用第二模型对第二待识别文本进行识别，获得第二识别结果，其中，所述第二待识别文本包括用于描述所述待识别智能体在所述第一时刻的第二情感状态
的信息，所述第二识别结果表示所述第二情感状态；确定单元，用于根据属性信息、所述第一识别结果和所述第二识别结果，确定所述待识别智能体在当前时刻的情感状态，其中，所述属性信息表示所述待识别智能体的性格特征，所述当前时刻为所述第二时刻之后的时刻。12.一种执行设备，其特征在于，包括：存储器和处理器、所述存储器和所述处理器耦合；所述存储器用于存储一条或多条计算机指令；所述处理器用于执行所述一条或多条计算机指令，以实现如权利要求1至10任意一项所述的方法。13.一种计算机可读存储介质，其上存储有一条或多条计算机指令，其特征在于，该指令被处理器执行以实现如权利要求1至10任意一项所述的方法。

技术总结
本申请公开了情感识别方法、模型训练方法、装置、设备及存储介质。该方法包括：利用第一模型对第一待识别文本识别获得第一识别结果，第一待识别文本包括第一时刻给予待识别智能体的外界刺激信息，第一识别结果表示外界刺激信息使待识别智能体产生的第一情感状态；利用第二模型对第二待识别文本识别获得第二识别结果，第二待识别文本包括用于描述待识别智能体在第一时刻的第二情感状态的信息，第二识别结果表示第二情感状态；根据属性信息、第一识别结果和第二识别结果，确定待识别智能体在当前时刻的情感状态，属性信息表示待识别智能体的性格特征，当前时刻为第二时刻之后的时刻。该方法可以提高情感识别结果的准确性。该方法可以提高情感识别结果的准确性。该方法可以提高情感识别结果的准确性。


技术研发人员：蒋丹阳 宋有伟 张聪 范长杰 胡志鹏
受保护的技术使用者：网易（杭州）网络有限公司
技术研发日：2023.03.01
技术公布日：2023/9/22