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。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例1：

请参阅图1，一种基于用户会话分析的情绪识别方法，包括有以下步骤：

S1、在用户与人工在线客服或人工智能客服对话过程中，实时获取在线问答的文本记录；

S2、对在线问答的文本记录进行分词，使用Jieba分词工具并设置停用词；

S3、对用户情绪进行标注，构建目标变量，负面情绪为1，其他为0；

S4、对目标变量进行处理，构建复核深度学习LSTM算法的目标变量结构；

S5、构建词索引，设置最大的MAX_NB_WORDS，使用Keras的Tokenizer构建词索引；

S6、词索引构建完成后，将用户会话转换为词向量矩阵；

S7、将用户会话的词向量矩阵扩充为统一长度，使其符合深度学习LSTM的输入数据标准格式；

S8、将S2中完成分词处理的文本记录分为巡检集合测试集；

S9、使用LSTM算法进行用户情绪识别模型训练，用于识别用户情绪；

S10、用户情绪识别模型将用户情绪识别结果反馈给在线客服或者智能客服，完成基于用户会话分析的情绪识别工作。

S9中提到的用户情绪识别模型训练具体包括有：

A1、Embedding层训练，设定Embedding层的参数，输出为samples,sequence_length和embedding_dimensionality三维浮点张量；

A2、三层LSTM层训练；

A3、Dense层训练。

本发明提出了一种基于用户会话分析的情绪识别方法，该方法创造性的通过对用户反馈的历史记录进行整理和分词处理，对用户的反馈内容进行剖析，同时还设计有用户情绪识别模型，可以用于对用户的反馈记录的进行识别和分析，辅助客服判断用户的情绪，进而有助于客服对用户做出合适的反馈，能够提供更好的客服服务。

实施例2：

请参阅图2，基于实施例1又有所不同之处在于；

一种基于用户会话分析的情绪识别装置，包括有用户群组1、客服团队2和情绪识别模型3，用户群组1、客服团队2和情绪识别模型3均连接在计算机处理设备4上；用户群组1至计算机处理设备4之间设置有用户会话文本获取模块5，计算机处理设备4至客服团队2之间设置有用户反馈模块11；计算机处理设备4至情绪识别模型3之间设置有会话文本分词模块6，情绪识别模型3返回至计算机处理设备4之间设置有用户情绪识别模型调用模块7，计算机处理设备4至客服团队2之间设置有用户情绪反馈模块8；客服团队2至计算机处理设备4之间设置有客服反馈编辑模块9，计算机处理设备4至用户群组1之间设置有客服反馈模块10。

用户会话文本获取模块5，用于获取用户会话文本；

会话文本分词模块6，用于对客服与用户的会话文本进行分词；

用户情绪识别模型调用模块7，用于调用用户情绪识别模型3，识别用户情绪；

用户情绪反馈模块8，用于将用户情绪识别模型3的情绪识别结果反馈给在线客服或智能客服；

客服反馈编辑模块9，用于根据用户情绪识别结果编辑合适的话语回复用户；

客服反馈模块10，用于将客服的回复话语反馈给用户群组。

本发明还提出了一种基于用户会话分析的情绪识别装置，该装置与一种基于用户会话分析的情绪识别方法相匹配，使用时，计算机处理设备4通过用户会话文本获取模块5获取用户群组1的反馈信息，计算机处理设备4一方面将用户群组1的反馈信息通过用户反馈模块11直接传递给客服团队2，另一方面通过会话文本分词模块6将反馈信息传递到情绪识别模型3，计算机处理设备4通过用户情绪识别模型调用模块7来调用情绪识别模型3对用户群组1的情绪进行识别，进而计算机处理设备4通过用户情绪反馈模块8将识别结果反馈给在线客服或智能客服，客服团队2根据直接的客服反馈信息和情绪识别模型3对用户情绪的结果做出合适的回答和反馈，辅助人工在线客服或者是在线智能客服更好的提供客服服务。

实施例3：

请参阅图3，基于实施例1或2的基础又有所不同之处在于：

还包括有如下具体识别方法：

(1)数据准备

整理用户在线反馈历史记录，进行情感标注，负面情绪标注为1，非负面情绪标注为0，对用户反馈进行分词，使用结巴分词工作，具体如下例：

1→新版本 更新 有些 功能 找不到了 体验 很差

1→这个 问题 我 已经 反馈 五天 没收到 回复

0→资源 地图 好用 效率 高

(2)LSTM模型

1)目标变量处理

使用python将label处理成矩阵类型

array([[0.,1.],

[0.,1.],

[0.,1.],

...,

[1.,0.],

[1.,0.],

[1.,0.]])

2)用户反馈处理

2.1)构建词索引

{...

‘做到’:987,

‘就要’:988,

‘仿佛’:989,

‘回’:990,

‘看似’:991,

‘表示’:992,

‘深度’:993,

‘思想’:994,

‘love’:995,

‘勇敢’:996,

‘爸爸’:997,

‘空间’:998,

‘慢慢’:999,

‘坑爹’:1000,

...}

2.2)

将用户反馈表示为词向量矩阵，扩充为统一长度

array([[0,0,0,...,3138,83,3139],

[0,0,0,...,561,1111,178],

[0,0,0,...,73,5,198],

...,

[0,0,0,...,1106,9,5705],

[0,0,0,...,307,6,1561],

[0,0,0,...,428,621,3854]])

(3)模型参数

1)LSTM

2)模型效果

test loss 0.4771944817477238

accuracy 0.9609460946273441。

本发明涉及用户反馈情感的预测，特别是将用户反馈会话作为输入变量，可以辅助人工在线客服或者是在线智能客服更好的提供客服服务。

以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。