情绪识别方法、装置、计算机可读存储介质及电子设备与流程

1.本发明涉及大数据领域，具体而言，涉及一种情绪识别方法、装置、计算机可读存储介质及电子设备。


背景技术：

2.互联网为新闻传播和用户言论提供了快速通道，促进信息传达的同时，也带来潜在的舆情风险。在金融投资理财中，社会舆情和用户情绪很容易影响金融机构的运转，对银行造成流动性风险。例如，在快讯息时代下，客户通过社交媒体发布的文本信息，可能会被别有用心的媒体和营销号利用，加以炒作，在极短时间内酝酿成影响面极广的社会舆情，煽动社交用户情绪。其中，涉及金融等信息大多未辨真伪，来源不明，溯源难度高，一旦影响形成，需要投入巨大的人力物力去应对和安抚，对银行的声誉也会造成影响。
3.目前，相关技术难以准确识别社交媒体文本信息中与金融机构有关的情绪，从而使得金融机构无法及时准确定位舆情风险和消弭风险。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种情绪识别方法、装置、计算机可读存储介质及电子设备，以至少解决现有技术在识别社交媒体文本信息中与金融机构有关的情绪时，存在的识别准确度低的技术问题。
6.根据本发明实施例的一个方面，提供了一种情绪识别方法，包括：从社交媒体平台中获取与金融机构具有关联关系的文本，并从文本中提取出多个关键字段；根据多个关键字段，从金融机构的m个服务场景中确定文本匹配的n个服务场景，其中，m、n为正整数，且m大于或等于n；对于n个服务场景中的每个服务场景，识别文本在服务场景下匹配的情绪类型；根据文本在n个服务场景中的情绪类型，确定文本匹配的目标情绪类型。
7.进一步地，情绪识别方法还包括：对于m个服务场景中的每个服务场景，确定每个关键字段与服务场景之间的目标关联程度值；计算每个关键字段与服务场景之间的目标关联程度值的和，得到文本与服务场景之间的匹配程度值；根据文本与每个服务场景之间的匹配程度值，从m个服务场景中确定n个服务场景。
8.进一步地，情绪识别方法还包括：对于每个关键字段，获取关键字段与服务场景之间的初始关联程度值；根据所有关键字段与服务场景之间的初始关联程度值，确定关键字段与服务场景之间的目标关联程度值。
9.进一步地，情绪识别方法还包括：从每个关键字段与服务场景之间的目标关联程度值中确定值最大的目标关联程度值，并将值最大的目标关联程度值匹配的关键字段确定为目标字段；将目标字段输入至情绪识别模型，通过情绪识别模型对目标字段进行情绪识别，得到初始数值，其中，初始数值的大小用于表征不同的情绪类型；将初始数值匹配的情绪类型确定为文本在服务场景下匹配的情绪类型。
10.进一步地，情绪识别方法还包括：对于n个服务场景中的每个服务场景，根据目标字段与服务场景之间的目标关联程度值，确定文本在服务场景下匹配的权重值；根据文本在服务场景下匹配的权重值以及目标字段匹配的初始数值，计算得到文本在服务场景下匹配的第一目标数值；根据文本在n个服务场景下匹配的第一目标数值，确定文本匹配的目标情绪类型。
11.进一步地，情绪识别方法还包括：在n大于1的情况下，对文本在n个服务场景下匹配的第一目标数值进行求平均计算，得到第二目标数值；根据第二目标数值的大小，确定文本匹配的目标情绪类型。
12.进一步地，情绪识别方法还包括：在确定文本匹配的目标情绪类型之后，判断目标情绪类型是否为需要应急处理的情绪类型；在目标情绪类型为需要应急处理的情绪类型的情况下，从n个服务场景中确定o个服务场景，其中，文本在o个服务场景下匹配的情绪类型为需要应急处理的情绪类型，o为正整数，且n大于或等于o；确定o个服务场景分别对应的应急措施，并执行应急措施。
13.根据本发明实施例的另一方面，还提供了一种情绪识别装置，包括：提取模块，用于从社交媒体平台中获取与金融机构具有关联关系的文本，并从文本中提取出多个关键字段；第一确定模块，用于根据多个关键字段，从金融机构的m个服务场景中确定文本匹配的n个服务场景，其中，m、n为正整数，且m大于或等于n；识别模块，用于对于n个服务场景中的每个服务场景，识别文本在服务场景下匹配的情绪类型；第二确定模块，用于根据文本在n个服务场景中的情绪类型，确定文本匹配的目标情绪类型。
14.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的情绪识别方法。
15.根据本发明实施例的另一方面，还提供了一种电子设备，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的情绪识别方法。
16.在本发明实施例中，采用根据服务场景对社交媒体文本与金融机构有关的情绪进行识别的方式，通过从社交媒体平台中获取与金融机构具有关联关系的文本，并从文本中提取出多个关键字段，然后根据多个关键字段，从金融机构的m个服务场景中确定文本匹配的n个服务场景，接着对于n个服务场景中的每个服务场景，识别文本在服务场景下匹配的情绪类型，从而根据文本在n个服务场景中的情绪类型，确定文本匹配的目标情绪类型。其中，m、n为正整数，且m大于或等于n。
17.在上述过程中，通过从文本中提取出多个关键字段，实现了对文本中关键信息的有效提取，通过根据多个关键字段确定文本所匹配的服务场景，实现了服务场景快速且准确的确定。进一步地，通过识别文本在每个服务场景下匹配的情绪类型，实现了对文本与金融机构有关的情绪的准确识别。更进一步地，通过根据文本在n个服务场景中的情绪类型，确定文本匹配的目标情绪类型，实现了对目标情绪类型的准确确定，避免了当文本中存在与服务场景无关的情绪时，如果对文本整体进行分析，则无法有效确定文本与金融机构有关的情绪类型的问题。
18.由此可见，本技术所提供的方案达到了根据服务场景对社交媒体文本与金融机构有关的情绪进行识别的目的，从而实现了提高情绪识别准确性的技术效果，进而解决了现有技术在识别社交媒体文本信息中与金融机构有关的情绪时，存在的识别准确度低的技术问题。
附图说明
19.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
20.图1是根据本发明实施例的一种可选的情绪识别方法的示意图；
21.图2是根据本发明实施例的一种可选的服务场景的示意图；
22.图3是根据本发明实施例的一种可选的系统场景下关键字段与服务场景之间的初始关联程度值的示意图；
23.图4根据本发明实施例的一种可选的服务场景与应急措施之间的匹配关系的示意图；
24.图5是根据本发明实施例的一种可选的情绪识别装置的示意图；
25.图6是根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
26.为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
27.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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。
28.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
29.实施例1
30.根据本发明实施例，提供了一种情绪识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描
述的步骤。
31.图1是根据本发明实施例的一种可选的情绪识别方法的示意图，如图1所示，该方法包括如下步骤：
32.步骤s101，从社交媒体平台中获取与金融机构具有关联关系的文本，并从文本中提取出多个关键字段。
33.可选的，可以将电子设备、应用系统、服务器等装置作为执行主体执行前述的情绪识别方法，在本实施例中，将目标识别系统作为执行主体以从社交媒体平台中获取与金融机构具有关联关系的文本，并从文本中提取出多个关键字段。
34.可选的，目标识别系统可以获取工作人员预先录入的与金融机构相关的关键词，关键词可以是金融机构的名称、简称等。之后，目标识别系统可以从社交媒体平台的网络文本中抓取包含前述的关键词的文本，得到与金融机构具有关联关系的文本。
35.进一步地，目标识别系统可以从前述的与金融机构具有关联关系的文本中提取出多个关键字段，例如，若文本为“xx机构今早网点办手续的效率太低了，大堂经理每操作一次自助设备就卡半天”，则关键字段可以是“网点办手续”、“效率太低”、“大堂经理”、“自助设备”、“卡半天”等。其中，该关键字段可以是由预先训练好的神经网络模型提取得到的，也可以根据预设的字段所确定的，例如，目标识别系统内预设有多个字段，若文本中某一个字段与预设的多个字段中的任意一个字段的相似度大于预设阈值，则确定文本中的该字段为目标字段，又例如，目标识别系统内预设有多个字段，若文本中某一个字段与预设的多个字段中的任意一个字段相同，则确定文本中的该字段为目标字段。其中，对于未能识别为关键字段的文本信息可以做辅助解析处理，以供后续丰富预设字段。
36.步骤s102，根据多个关键字段，从金融机构的m个服务场景中确定文本匹配的n个服务场景，其中，m、n为正整数，且m大于或等于n。
37.其中，图2是根据本发明实施例的一种可选的服务场景的示意图，如图2所示，服务场景可以是系统场景、业务场景、金融场景、行业场景等。其中，系统场景与金融机构的系统服务相关，与系统场景匹配的文本可能是表达机构系统性故障的文本，系统性故障可能是办理业务期间的网络中断，投产或系统更新期间出现的故障等，相关文本可能是“xx机构系统崩了，取不出资金，烦躁”、“xx机构转账提示超时，系统太差了”等。业务场景与金融机构的业务服务相关，与业务场景匹配的文本可能是“xx机构网点排号真久，等了一早上都没排到”、“xx机构的工作人员服务态度特别差，想投诉”等，金融场景与金融机构的投资理财服务相关，与金融场景匹配的文本可能是“xx机构存款利率跌了，投资还是定期？”、“xx机构大额分期消费打折，划算么？”等。行业场景与金融机构的合作方服务、同行方服务有关，与行业场景匹配的文本可能是“其它机构取款难”、“其它机构破产，对xx机构有什么影响”等。
38.可选的，目标识别系统可以对多个关键字段进行语义识别，从而根据语义识别结果确定每个关键字段匹配的服务场景，进而根据每个关键字段匹配的服务场景，确定文本所匹配的服务场景。例如，将m个服务场景中与所有关键字段匹配的次数最多的服务场景确定为文本所匹配的服务场景，又例如，将m个服务场景中与所有关键字段匹配的次数最多和次多的服务场景确定为文本所匹配的服务场景。
39.可选的，目标识别系统也可以获取预设的关键字段与服务场景之间的匹配关系，从而根据关键字段与服务场景之间的匹配关系，确定文本所匹配的服务场景。例如，将m个
服务场景中与所有关键字段之间的匹配总程度最高的服务场景确定为文本所匹配的服务场景。
40.需要说明的是，通过从文本中提取出多个关键字段，实现了对文本中关键信息的有效提取，通过根据多个关键字段确定文本所匹配的服务场景，实现了服务场景快速且准确的确定。
41.步骤s103，对于n个服务场景中的每个服务场景，识别文本在服务场景下匹配的情绪类型。
42.其中，可以通过情绪识别模型识别情绪类型。具体地，情绪识别模型的输出数据为数值类型，根据数值的大小，可以将情绪类型分为不带有程度描述的情绪类型，例如：积极情绪、消极情绪，又例如，高兴，生气；可选的，也可以将情绪类型分为带有程度描述的情绪类型，例如：一般积极、很积极、非常积极、一般消极、很消极、非常消极等，又例如，一般高兴、很高兴、非常高兴、一般生气、很生气、非常生气等。
43.可选的，当确定了文本匹配的n个服务场景之后，对于每个服务，目标识别系统可以先确定文本中与该服务场景所匹配的关键字段，从而对该关键字段进行情绪识别，并根据关键字段匹配的情绪类型确定文本在该服务场景下匹配的情绪类型。
44.可选的，目标识别系统也可以根据语句结构将文本拆分为多个子文本，然后根据子文本中的关键字段，从文本匹配的服务场景中确定各个子文本匹配的服务场景，之后对子文本进行情绪识别，并将子文本匹配的情绪类型确定为文本在该服务场景下匹配的情绪类型。例如，将“xx机构今早网点办手续的效率太低了，大堂经理每操作一次自助设备就卡半天”拆分为“xx机构今早网点办手续的效率太低了”和“大堂经理每操作一次自助设备就卡半天”两个子文本，然后分别进行分析。
45.需要说明的是，通过识别文本在每个服务场景下匹配的情绪类型，一方面，实现了对文本与金融机构有关的情绪的准确识别，另一方面，使得在文本与多个服务场景相匹配的情况下，可以实现对每个服务场景下的情绪具有针对性的分析。
46.步骤s104，根据文本在n个服务场景中的情绪类型，确定文本匹配的目标情绪类型。
47.可选的，若情绪类型是不带有程度描述的情绪类型，可以在n为1的情况下，直接将文本在服务场景下的情绪类型确定为文本匹配的情绪类型，在n大于或等于1的情况下，将多个情绪类型分为正向情绪类和负向情绪类，然后将数量较多的一类中的情绪确定为目标情绪类型，如果数量相等，则认为目标情绪类型为中性情绪。
48.可选的，若情绪类型是带有程度描述的情绪类型，可以在n为1的情况下，直接将文本在服务场景下的情绪类型确定为文本匹配的情绪类型，在n大于或等于1的情况下，根据每种情绪类型匹配的情绪识别模型所输出的数值，计算平均值，然后确定平均值所匹配的情绪类型，从而将该情绪类型确定为目标情绪类型。
49.需要说明的是，通过根据文本在n个服务场景中的情绪类型，确定文本匹配的目标情绪类型，实现了对目标情绪类型的准确确定，避免了当文本中存在与服务场景无关的情绪时，如果对文本整体进行分析，则无法有效确定文本匹配的目标情绪类型的问题。
50.基于上述步骤s101至步骤s104所限定的方案，可以获知，在本发明实施例中，采用根据服务场景对社交媒体文本与金融机构有关的情绪进行识别的方式，通过从社交媒体平
台中获取与金融机构具有关联关系的文本，并从文本中提取出多个关键字段，然后根据多个关键字段，从金融机构的m个服务场景中确定文本匹配的n个服务场景，接着对于n个服务场景中的每个服务场景，识别文本在服务场景下匹配的情绪类型，从而根据文本在n个服务场景中的情绪类型，确定文本匹配的目标情绪类型。其中，m、n为正整数，且m大于或等于n。
51.容易注意到的是，在上述过程中，通过从文本中提取出多个关键字段，实现了对文本中关键信息的有效提取，通过根据多个关键字段确定文本所匹配的服务场景，实现了服务场景快速且准确的确定。进一步地，通过识别文本在每个服务场景下匹配的情绪类型，实现了对文本与金融机构有关的情绪的准确识别。更进一步地，通过根据文本在n个服务场景中的情绪类型，确定文本匹配的目标情绪类型，实现了对目标情绪类型的准确确定，避免了当文本中存在与服务场景无关的情绪时，如果对文本整体进行分析，则无法有效确定文本与金融机构有关的情绪类型的问题。
52.由此可见，本技术所提供的方案达到了根据服务场景对社交媒体文本与金融机构有关的情绪进行识别的目的，从而实现了提高情绪识别准确性的技术效果，进而解决了现有技术在识别社交媒体文本信息中与金融机构有关的情绪时，存在的识别准确度低的技术问题。
53.在一种可选的实施例中，在根据多个关键字段，从金融机构的m个服务场景中确定文本匹配的n个服务场景的过程中，目标识别系统可以对于m个服务场景中的每个服务场景，确定每个关键字段与服务场景之间的目标关联程度值，然后计算每个关键字段与服务场景之间的目标关联程度值的和，得到文本与服务场景之间的匹配程度值，接着根据文本与每个服务场景之间的匹配程度值，从m个服务场景中确定n个服务场景。
54.可选的，目标识别系统可以获取预设的关键字段与服务场景之间的匹配关系，从而根据匹配关系确定关键字段与服务场景之间的目标关联程度值。可选的，目标识别系统也可以利用相关算法确定关键字段与服务场景之间的目标关联程度值。
55.进一步地，目标识别系统可以根据以下公式确定文本与服务场景之间的匹配程度值：
[0056][0057]
其中，βs表示文本与第s个服务场景之间的匹配程度值，i表示第i个关键字段，gs(θ
si
)表示第i个关键字段与第s个服务场景之间的目标关联程度值。
[0058]
进一步地，目标识别系统可以将文本与每个服务场景之间的匹配程度值与预设阈值相比较，从而在匹配程度值大于或等于预设阈值的情况下，确定该匹配程度值对应的服务场景为文本匹配的场景，在匹配程度值小于预设阈值的情况下，确定该匹配程度值对应的服务场景不是文本匹配的场景。
[0059]
需要说明的是，通过根据每个关键字段与服务场景之间的目标关联程度值，确定文本与服务场景之间的关系，实现了对其的准确确定。
[0060]
在一种可选的实施例中，在确定每个关键字段与服务场景之间的目标关联程度值的过程中，目标识别系统可以对于每个关键字段，获取关键字段与服务场景之间的初始关联程度值，从而根据所有关键字段与服务场景之间的初始关联程度值，确定关键字段与服务场景之间的目标关联程度值。
[0061]
可选的，在本实施例中，目标识别系统内预设有多个字段，这多个字段为人工设置的，并可以由目标识别系统在应用过程中不断扩充。目标识别系统可以将文本中与预设的多个字段中的任意一个字段相同的字段确定为目标字段，且目标识别系统中预设有字段与服务场景之间的匹配关系，也即目标识别系统中预设有关键字段与服务场景之间的初始关联程度值。图3是根据本发明实施例的一种可选的系统场景下关键字段与服务场景之间的初始关联程度值的示意图，如图3所示，若服务场景为系统，则关键字段“系统”对应的初始关联程度值为5，关键字段“设备故障”、“网络故障”对应的初始关联程度值为4，“超时、卡顿”、“崩了”、“不可用”等关键字段对应的初始关联程度值为3，“网点慢”、“未知报错”、“提示错误”等关键字段对应的初始关联程度值为2。
[0062]
进一步地，目标识别系统可以利用gumbel-softmax函数根据所有关键字段与服务场景之间的初始关联程度值，确定关键字段与服务场景之间的目标关联程度值。其计算公式如下所示：
[0063][0064]
其中，θ
si
表示第i个关键字段与第s个服务场景之间的初始关联程度值，θ
sj
表示第j个关键字段与第s个服务场景之间的初始关联程度值，g是独立同分布的标准gumbel(0,1)分布的随机变量，为内置参数，π是一个超参数，用于控制gumbel-softmax公式中可接受的误差值，π∈(0,1)。其中，π可以由人工或者目标识别系统进行调节，当π趋近于0时，gumbel-softmax函数的分布结果更均匀，计算精度回归到基于句子级的情感分析，而当π趋近于1时，gumbel-softmax函数的结果更加精确，所带来的损失是模糊匹配的精度丢失。
[0065]
需要说明的是，通过根据所有关键字段与服务场景之间的初始关联程度值，确定关键字段与服务场景之间的目标关联程度值，实现了结合关键字段之间的相互关系确定文本中关键字段与服务场景之间更加客观的关联程度，从而提高了对目标关联程度值的准确确定。
[0066]
在一种可选的实施例中，在识别文本在服务场景下匹配的情绪类型的过程中，目标识别系统可以从每个关键字段与服务场景之间的目标关联程度值中确定值最大的目标关联程度值，并将值最大的目标关联程度值匹配的关键字段确定为目标字段。然后将目标字段输入至情绪识别模型，通过情绪识别模型对目标字段进行情绪识别，得到初始数值，其中，初始数值的大小用于表征不同的情绪类型，从而将初始数值匹配的情绪类型确定为文本在服务场景下匹配的情绪类型。
[0067]
可选的，一个服务场景与一个目标字段对应。例如，若文本为“xx机构今早网点办手续的效率太低了，大堂经理每操作一次自助设备就卡半天”，则在业务场景中，目标字段为“效率太低”，在系统场景中，目标字段为“设备卡半天”。
[0068]
其中，对于文本，目标识别系统可以构建与文本匹配的结构化数据，结构化数据中包含文本匹配的n个服务场景、匹配程度值、n个服务场景分别匹配的目标字段、各个目标字段匹配的目标关联程度值、文本、文本的信息来源等信息，以便于数据分析和数据存储。
[0069]
但是，目前文本在服务场景下匹配的情绪类型还未知晓，因此，可以将目标字段输入至情绪识别模型，通过情绪识别模型对目标字段进行情绪识别，以便确定文本在服务场景下匹配的情绪类型。其中，情绪识别模型可以是开放性词典bosonnlp。将前述的目标字段
输入值情绪识别模型后，即可得到初始数值。在本实施例中，初始数值的大小用于表征不同的情绪类型，且将情绪类型确定为带有程度描述的情绪类型，例如：一般积极、很积极、非常积极、一般消极、很消极、非常消极等。例如，初始数值处于[0,0.1)区间时，确定情绪类型为非常消极，初始数值处于(0.9,1]区间时，确定情绪类型为非常积极等，初始数值处于(0.4，0.6)时，确定情绪类型为中性情绪。
[0070]
进一步地，目标识别系统可以将该初始数值匹配的情绪类型确定为文本在服务场景下匹配的情绪类型。
[0071]
需要说明的是，通过对文本中与服务场景关联程度最高的关键字段进行情感分析，以确定文本在服务场景下匹配的情绪类型，实现了对该情绪类型的准确确定。
[0072]
在一种可选的实施例中，在根据文本在n个服务场景中的情绪类型，确定文本匹配的目标情绪类型的过程中，目标识别系统可以对于n个服务场景中的每个服务场景，根据目标字段与服务场景之间的目标关联程度值，确定文本在服务场景下匹配的权重值，然后根据文本在服务场景下匹配的权重值以及目标字段匹配的初始数值，计算得到文本在服务场景下匹配的第一目标数值，从而根据文本在n个服务场景下匹配的第一目标数值，确定文本匹配的目标情绪类型。
[0073]
可选的，目标识别系统可以将目标字段与服务场景之间的目标关联程度值直接确定为文本在服务场景下匹配的权重值，目标识别系统也可以预设值区间与权重值的匹配关系，并确定目标关联程度值所在的值区间，从而根据目标关联程度值所在的值区间所匹配的权重值。
[0074]
进一步地，目标识别系统可以将文本在服务场景下的权重值以及该服务场景匹配的目标字段所对应的初始数值相乘，从而得到文本在服务场景下匹配的第一目标数值。
[0075]
更进一步地，目标识别系统可以根据文本在n个服务场景下匹配的第一目标数值，确定文本匹配的目标情绪类型，例如，对多个目标数值进行求平均，根据平均计算后的数值确定文本匹配的目标情绪类型，又例如，对服务场景设置重要程度并进行重要程度的排序，将最重要的服务场景匹配的第一目标数值确定为文本匹配的目标情绪类型。
[0076]
需要说明的是，通过根据目标字段与服务场景之间的目标关联程度值以及目标字段匹配的初始数值确定文本在服务场景下的目标情绪类型，实现了对目标情绪类型更准确的确定。
[0077]
在一种可选的实施例中，在根据文本在n个服务场景下匹配的第一目标数值，确定文本匹配的目标情绪类型的过程中，目标识别系统可以在n大于1的情况下，对文本在n个服务场景下匹配的第一目标数值进行求平均计算，得到第二目标数值，从而根据第二目标数值的大小，确定文本匹配的目标情绪类型。
[0078]
可选的，在确定了第二目标数值之后，目标识别系统可以根据第二目标数值的大小，确定第二目标数值所匹配的情绪类型，并将第二目标数值所匹配的情绪类型确定为文本匹配的目标情绪类型。其中，第二目标数值所在的数值区间与情绪类型之间的匹配关系和初始数值所在的数值区间与情绪类型之间的匹配关系相同，通俗来讲，就是当第二目标数值与初始数值相同时，二者对应的情绪类型也相同。
[0079]
可选的，若n等于1，则可以直接根据第一目标数值的大小确定文本匹配的目标情绪类型。
[0080]
需要说明的是，通过对第一目标数值进行求平均计算，得到文本匹配的目标情绪类型，实现了对目标情绪类型的准确确定。
[0081]
在一种可选的实施例中，在确定文本匹配的目标情绪类型之后，目标识别系统可以判断目标情绪类型是否为需要应急处理的情绪类型，然后在目标情绪类型为需要应急处理的情绪类型的情况下，从n个服务场景中确定o个服务场景，进而确定o个服务场景分别对应的应急措施，并执行应急措施。其中，文本在o个服务场景下匹配的情绪类型为需要应急处理的情绪类型，o为正整数，且n大于或等于o。
[0082]
可选的，在本实施例中，可以将属于消极情绪的情绪类型确定为需要应急处理的情绪类型。在其它实施例中，也可以将非常消极的情绪类型确定为需要应急处理的情绪类型。可选的，需要应急处理的情绪类型也可以是目标识别系统动态确定的，例如在机构系统更新期间，系统的故障概率会升高，为了更准确地定位到系统故障问题，目标识别系统可根据需要调整需要应急处理的情绪类型，以快速定位因版本更新引发的系统故障，针对性地采取应急措施。进一步地，在其它实施例中，可以对不同服务场景设置不同的需要应急处理的情绪类型。
[0083]
可选的，应急措施可以工作人员预设的，图4根据本发明实施例的一种可选的服务场景与应急措施之间的匹配关系的示意图，如图4所示，服务场景与应急措施之间的关系为一一对应。例如，与系统场景相关的应急措施可以是系统场景下出现需要应急处理的情绪类型时，第一时间通知到运维中心，以使得运维中心快速准备系统维护，回切手段，避免影响范围扩大。同步采用网络信息、电话、客服、业务人员安抚等多种手段，避免舆情影响机构声誉。又例如，与业务场景相关的应急措施可以是业务场景下出现需要应急处理的情绪类型时，快速定位引发业务消极情绪的地区及网点，例如某网点经理操作不当导致客户资金受损，引发客户在网络发布消极情绪，则快速启用应急措施，通知网点进行处理，避免影响扩大。可选的，应急措施还可以是人工智能安抚手段，如因系统故障导致某社交平台大批量用户出现消极情绪时，可通过预设的智能客服手段在对应的社交媒体发布相关信息以安抚用户。
[0084]
需要说明的是，通过根据文本匹配的目标情绪类型，确定是否需要执行应急措施，并在需要执行应急措施的情况下，根据服务场景对应的情绪类型确定对应的应急措施，实现了对应急措施的准确确定。
[0085]
由此可见，本技术所提供的方案达到了根据服务场景对社交媒体文本与金融机构有关的情绪进行识别的目的，从而实现了提高情绪识别准确性的技术效果，进而解决了现有技术在识别社交媒体文本信息中与金融机构有关的情绪时，存在的识别准确度低的技术问题。
[0086]
实施例2
[0087]
根据本发明实施例，提供了一种情绪识别装置的实施例，其中，图5是根据本发明实施例的一种可选的情绪识别装置的示意图，如图5所示，该装置包括：
[0088]
提取模块501，用于从社交媒体平台中获取与金融机构具有关联关系的文本，并从文本中提取出多个关键字段；
[0089]
第一确定模块502，用于根据多个关键字段，从金融机构的m个服务场景中确定文本匹配的n个服务场景，其中，m、n为正整数，且m大于或等于n；
[0090]
识别模块503，用于对于n个服务场景中的每个服务场景，识别文本在服务场景下匹配的情绪类型；
[0091]
第二确定模块504，用于根据文本在n个服务场景中的情绪类型，确定文本匹配的目标情绪类型。
[0092]
需要说明的是，上述提取模块501、第一确定模块502、识别模块503以及第二确定模块504对应于上述实施例中的步骤s101至步骤s104，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
[0093]
可选的，第一确定模块502还包括：第一确定子模块，用于对于m个服务场景中的每个服务场景，确定每个关键字段与服务场景之间的目标关联程度值；第一计算子模块，用于计算每个关键字段与服务场景之间的目标关联程度值的和，得到文本与服务场景之间的匹配程度值；第二确定子模块，用于根据文本与每个服务场景之间的匹配程度值，从m个服务场景中确定n个服务场景。
[0094]
可选的，第一确定子模块还包括：获取单元，用于对于每个关键字段，获取关键字段与服务场景之间的初始关联程度值；第一确定单元，用于根据所有关键字段与服务场景之间的初始关联程度值，确定关键字段与服务场景之间的目标关联程度值。
[0095]
可选的，识别模块503还包括：第三确定子模块，用于从每个关键字段与服务场景之间的目标关联程度值中确定值最大的目标关联程度值，并将值最大的目标关联程度值匹配的关键字段确定为目标字段；识别子模块，用于将目标字段输入至情绪识别模型，通过情绪识别模型对目标字段进行情绪识别，得到初始数值，其中，初始数值的大小用于表征不同的情绪类型；第四确定子模块，用于将初始数值匹配的情绪类型确定为文本在服务场景下匹配的情绪类型。
[0096]
可选的，第二确定模块504还包括：第五确定子模块，用于对于n个服务场景中的每个服务场景，根据目标字段与服务场景之间的目标关联程度值，确定文本在服务场景下匹配的权重值；第二计算子模块，用于根据文本在服务场景下匹配的权重值以及目标字段匹配的初始数值，计算得到文本在服务场景下匹配的第一目标数值；第六确定子模块，用于根据文本在n个服务场景下匹配的第一目标数值，确定文本匹配的目标情绪类型。
[0097]
可选的，第六确定子模块还包括：计算单元，用于在n大于1的情况下，对文本在n个服务场景下匹配的第一目标数值进行求平均计算，得到第二目标数值；第二确定单元，用于根据第二目标数值的大小，确定文本匹配的目标情绪类型。
[0098]
可选的，情绪识别装置还包括：判断模块，用于判断目标情绪类型是否为需要应急处理的情绪类型；第三确定模块，用于在目标情绪类型为需要应急处理的情绪类型的情况下，从n个服务场景中确定o个服务场景，其中，文本在o个服务场景下匹配的情绪类型为需要应急处理的情绪类型，o为正整数，且n大于或等于o；第四确定模块，用于确定o个服务场景分别对应的应急措施，并执行应急措施。
[0099]
实施例3
[0100]
根据本发明实施例的另一方面，还提供了计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的情绪识别方法。
[0101]
实施例4
[0102]
根据本发明实施例的另一方面，还提供了一种电子设备，其中，图6是根据本发明
实施例的一种可选的电子设备的示意图，如图6所示，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的情绪识别方法。
[0103]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0104]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0105]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0106]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0107]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0108]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0109]
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种情绪识别方法，其特征在于，包括：从社交媒体平台中获取与金融机构具有关联关系的文本，并从所述文本中提取出多个关键字段；根据所述多个关键字段，从所述金融机构的m个服务场景中确定所述文本匹配的n个服务场景，其中，m、n为正整数，且m大于或等于n；对于所述n个服务场景中的每个服务场景，识别所述文本在所述服务场景下匹配的情绪类型；根据所述文本在所述n个服务场景中的情绪类型，确定所述文本匹配的目标情绪类型。2.根据权利要求1所述的方法，其特征在于，根据所述多个关键字段，从所述金融机构的m个服务场景中确定所述文本匹配的n个服务场景，包括：对于所述m个服务场景中的每个服务场景，确定每个关键字段与所述服务场景之间的目标关联程度值；计算所述每个关键字段与所述服务场景之间的目标关联程度值的和，得到所述文本与所述服务场景之间的匹配程度值；根据所述文本与每个服务场景之间的匹配程度值，从所述m个服务场景中确定所述n个服务场景。3.根据权利要求2所述的方法，其特征在于，确定每个关键字段与所述服务场景之间的目标关联程度值，包括：对于每个关键字段，获取所述关键字段与所述服务场景之间的初始关联程度值；根据所有关键字段与所述服务场景之间的初始关联程度值，确定所述关键字段与所述服务场景之间的目标关联程度值。4.根据权利要求3所述的方法，其特征在于，识别所述文本在所述服务场景下匹配的情绪类型，包括：从所述每个关键字段与所述服务场景之间的目标关联程度值中确定值最大的目标关联程度值，并将所述值最大的目标关联程度值匹配的关键字段确定为目标字段；将所述目标字段输入至情绪识别模型，通过所述情绪识别模型对所述目标字段进行情绪识别，得到初始数值，其中，所述初始数值的大小用于表征不同的情绪类型；将所述初始数值匹配的情绪类型确定为所述文本在所述服务场景下匹配的情绪类型。5.根据权利要求4所述的方法，其特征在于，根据所述文本在所述n个服务场景中的情绪类型，确定所述文本匹配的目标情绪类型，包括：对于所述n个服务场景中的每个服务场景，根据所述目标字段与所述服务场景之间的目标关联程度值，确定所述文本在所述服务场景下匹配的权重值；根据所述文本在所述服务场景下匹配的权重值以及所述目标字段匹配的初始数值，计算得到所述文本在所述服务场景下匹配的第一目标数值；根据所述文本在所述n个服务场景下匹配的第一目标数值，确定所述文本匹配的目标情绪类型。6.根据权利要求5所述的方法，其特征在于，根据所述文本在所述n个服务场景下匹配的第一目标数值，确定所述文本匹配的目标情绪类型，包括：在n大于1的情况下，对所述文本在所述n个服务场景下匹配的第一目标数值进行求平
均计算，得到第二目标数值；根据所述第二目标数值的大小，确定所述文本匹配的目标情绪类型。7.根据权利要求1所述的方法，其特征在于，在确定所述文本匹配的目标情绪类型之后，所述方法还包括：判断所述目标情绪类型是否为需要应急处理的情绪类型；在所述目标情绪类型为需要应急处理的情绪类型的情况下，从所述n个服务场景中确定o个服务场景，其中，所述文本在所述o个服务场景下匹配的情绪类型为所述需要应急处理的情绪类型，o为正整数，且n大于或等于o；确定所述o个服务场景分别对应的应急措施，并执行所述应急措施。8.一种情绪识别装置，其特征在于，包括：提取模块，用于从社交媒体平台中获取与金融机构具有关联关系的文本，并从所述文本中提取出多个关键字段；第一确定模块，用于根据所述多个关键字段，从所述金融机构的m个服务场景中确定所述文本匹配的n个服务场景，其中，m、n为正整数，且m大于或等于n；识别模块，用于对于所述n个服务场景中的每个服务场景，识别所述文本在所述服务场景下匹配的情绪类型；第二确定模块，用于根据所述文本在所述n个服务场景中的情绪类型，确定所述文本匹配的目标情绪类型。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的情绪识别方法。10.一种电子设备，其特征在于，所述电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至7任一项中所述的情绪识别方法。

技术总结
本发明公开了一种情绪识别方法、装置、计算机可读存储介质及电子设备。涉及大数据领域，该方法包括：从社交媒体平台中获取与金融机构具有关联关系的文本，并从文本中提取出多个关键字段；根据多个关键字段，从金融机构的M个服务场景中确定文本匹配的N个服务场景，其中，M、N为正整数，且M大于或等于N；对于N个服务场景中的每个服务场景，识别文本在服务场景下匹配的情绪类型；根据文本在N个服务场景中的情绪类型，确定文本匹配的目标情绪类型。本发明解决了现有技术在识别社交媒体文本信息中与金融机构有关的情绪时，存在的识别准确度低的技术问题。的技术问题。的技术问题。


技术研发人员：曾俊阶 王斌斌 江丹冰 赖预立
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.06.15
技术公布日：2023/9/16