基于语义分析的人工智能情感陪伴对话方法

摘要: 本发明涉及人工智能对话分析,具体为基于语义分析的人工智能情感陪伴对话方法。背景技术:1、在人工智能情感陪伴对话领域,为了使系统能够生成更贴合用户情绪的回复,目前...
基于语义分析的人工智能情感陪伴对话方法

本发明涉及人工智能对话分析,具体为基于语义分析的人工智能情感陪伴对话方法。

背景技术:

1、在人工智能情感陪伴对话领域,为了使系统能够生成更贴合用户情绪的回复,目前主流的技术方案通常侧重于对用户输入的对话文本进行情感分析。具体而言,现有方法多采用预先构建的情感词典或训练好的情感分类模型,对单轮文本给出整体情感极性(如积极、消极或中性)的判定;或者通过情感关键词匹配、情绪词出现频次统计等方式,识别用户当前表达中的情绪倾向,并据此调整陪伴回复的语调与内容。这类基于单轮文本整体分析或关键词统计的方法,在情绪表达较为直接、文本长度较短的简单交互场景中,能够取得一定的情感识别效果。

2、然而,上述现有技术在实际的情感陪伴应用中仍面临以下突出问题:

3、现有方法通常以单句或单轮文本为独立分析单位,忽略了真实陪伴会话中用户表达的层次性与动态性。在真实场景中,用户的情感表达往往由主干语义、修饰说明、语气变化以及时序推进共同构成。仅依赖整段文本的情感极性或关键词频次,无法完整反映用户情感状态随对话推进而发生的变化过程,导致情感识别结果与用户的真实感受存在偏差。

4、现有技术对文本内部语义结构的挖掘不够深入。现有方案大多未充分利用词与词之间的依存句法关系,未能将主干语义单元与修饰语义单元之间的语义指向转化为结构化的关联。这使得系统对用户表达层次的解析往往与真实的语义结构不一致,难以准确捕捉复杂情感表达背后的细微差异。

5、现有技术缺乏对会话时序维度的连续度量。现有方法普遍未对会话中语义节点和语义边沿在时间轴上的分布及累积变化进行有效建模,因此无法量化当前对话文本在多大程度上推动了情感陪伴会话的情感转向。由于缺乏语义密度随会话时序变化的分析,情感转向的判断极易受到局部情绪词或单句情感极性的干扰,不仅稳定性差,也难以提供可解释的量化依据。

6、情感陪伴对话方法需要解决如何在依存句法关系基础上获得结构化语义关联,以及如何基于语义密度的时序累积变化确定对话文本对情感转向的驱动程度的问题。

技术实现思路

1、本发明提供一种基于语义分析的人工智能情感陪伴对话方法,目的在于解决现有技术对对话文本内部语义结构利用不足以及情感转向程度难以量化的问题。该方法通过依存句法关系对待分析对话文本进行语义结构拆解,生成主干语义单元序列和修饰语义单元序列,并构建语义关联图谱;在此基础上,利用语义节点和语义边的时序分布生成语义密度分布曲线,根据该曲线在会话中的累积变化趋势确定待分析对话文本的情感转向贡献度,从而实现对情感陪伴会话中用户表达状态的结构化解析和情感转向贡献的量化输出。

2、为了实现上述目的,本发明提供如下技术方案:本发明提供一种基于语义分析的人工智能情感陪伴对话方法,包括:获取目标用户在当前情感陪伴会话中产生的待分析对话文本;对所述待分析对话文本执行基于依存句法关系的语义结构拆解处理,生成所述待分析对话文本的主干语义单元序列和修饰语义单元序列;根据所述主干语义单元序列和所述修饰语义单元序列之间的语义指向关系,构建所述待分析对话文本的语义关联图谱;提取所述语义关联图谱中的语义节点和语义边,并根据所述语义节点在所述会话中的时序分布属性,生成表征所述目标用户当前表达状态的语义密度分布曲线;根据所述语义密度分布曲线在所述会话中的累积变化趋势,确定所述待分析对话文本对所述情感陪伴会话的情感转向贡献度;将所述情感转向贡献度作为所述待分析对话文本的语义分析结果输出。该方法将依存句法分析与语义密度时序变化相结合,利用语义节点和语义边的时序分布刻画用户在情感陪伴会话中的表达状态变化,使情感转向判断不依赖于单一情感词,提升对复杂或隐式情感表达的识别能力和分析稳定性。

3、优选的,对所述待分析对话文本执行基于依存句法关系的语义结构拆解处理,生成所述待分析对话文本的主干语义单元序列和修饰语义单元序列,包括:对所述待分析对话文本执行分词处理,获得所述待分析对话文本的词序列;对所述词序列执行依存句法分析,获得所述词序列中每两个词之间的依存关系类型,所述依存关系类型包括主谓关系、动宾关系、定中关系和状中关系;根据所述依存关系类型,将所述词序列中的词划分为主干词和修饰词,所述主干词包括依存关系类型为主谓关系和动宾关系的词,所述修饰词包括依存关系类型为定中关系和状中关系的词;按照所述主干词在所述待分析对话文本中的原始出现顺序排列所述主干词,生成所述主干语义单元序列;按照所述修饰词在所述待分析对话文本中的原始出现顺序排列所述修饰词,生成所述修饰语义单元序列。通过区分主干语义单元和修饰语义单元,能够在保留句法核心结构的同时捕获修饰成分对情感语义的限定和补充作用,提高语义结构拆解的完整性。

4、优选的,根据所述主干语义单元序列和所述修饰语义单元序列之间的语义指向关系,构建所述待分析对话文本的语义关联图谱,包括:识别所述主干语义单元序列中每个主干词对应的依存句法分析结果中的支配词和被支配词;根据所述支配词和所述被支配词在所述主干语义单元序列中的位置索引,建立所述主干词之间的第一语义关联边;识别所述修饰语义单元序列中每个修饰词在所述依存句法分析结果中对应的被修饰主干词;根据所述被修饰主干词在所述主干语义单元序列中的位置索引,建立所述修饰词与所述被修饰主干词之间的第二语义关联边;将所述主干词和所述修饰词作为语义节点,将所述第一语义关联边和所述第二语义关联边作为语义边,组合构建所述语义关联图谱。该方式通过语义关联图谱整合句法主次关系和语义指向关系,使后续密度分析能够反映核心语义与修饰语义之间的联动,增强情感语义结构的表达能力。

5、优选的,提取所述语义关联图谱中的语义节点和语义边,并根据所述语义节点在所述会话中的时序分布属性,生成表征所述目标用户当前表达状态的语义密度分布曲线,包括:提取所述语义关联图谱中的所有语义节点,并为每个所述语义节点标注其在所述待分析对话文本中的出现时间戳;提取所述语义关联图谱中的所有语义边,并根据每条所述语义边连接的两个所述语义节点的出现时间戳,确定每条所述语义边的有效时间区间;以时间轴为横轴,以单位时间窗口内所述语义节点的出现次数与所述语义边的有效时间区间覆盖数量的加权和为纵轴,生成所述语义密度分布曲线。该曲线综合节点出现频次和边覆盖时长,能够稳定刻画用户表达状态随时间的变化,减少仅依赖单个词频波动导致的误判。

6、优选的,根据所述语义密度分布曲线在所述会话中的累积变化趋势,确定所述待分析对话文本对所述情感陪伴会话的情感转向贡献度,包括:在所述时间轴上设置多个采样点,获取所述语义密度分布曲线在每个所述采样点处的纵轴数值;将多个所述采样点处的纵轴数值按时间顺序排列,生成所述语义密度分布曲线的数值序列;计算所述数值序列中相邻采样点纵轴数值之间的差值,获得差值序列;识别所述差值序列中的正值转折点和负值转折点,并根据所述正值转折点和所述负值转折点的分布比例确定所述情感转向贡献度。通过累积变化趋势和转折点分布比例衡量情感转向贡献,能够量化待分析文本对情感陪伴会话整体走向的推动程度。

7、优选的,识别所述差值序列中的正值转折点和负值转折点,并根据所述正值转折点和所述负值转折点的分布比例确定所述情感转向贡献度,包括:从所述差值序列中筛选出差值符号发生变化的采样点作为转折候选点;当所述转折候选点处的差值为正且前一个差值为负时,将所述转折候选点标记为所述正值转折点;当所述转折候选点处的差值为负且前一个差值为正时,将所述转折候选点标记为所述负值转折点;统计所述差值序列中所述正值转折点的第一数量和所述负值转折点的第二数量;由所述第一数量在所述第一数量与所述第二数量之和中的占比得到所述情感转向贡献度。该占比方式能够反映情感转向中正向推动与负向回落之间的相对关系,计算过程简洁且可解释性强。

8、优选的,所述第一语义关联边和所述第二语义关联边分别被赋予基于依存关系类型确定的关联强度权重,所述关联强度权重用于在生成所述语义密度分布曲线时对所述语义边的有效时间区间覆盖数量进行加权计算。通过区分不同句法关系的权重,能够体现不同依存关系对情感语义密度的影响差异,使密度分布曲线更贴合实际表达重点。

9、优选的,所述单位时间窗口内所述语义节点的出现次数按照不同语义节点在所述时间窗口内的首次出现频次进行去重计数,同一语义节点在同一个所述单位时间窗口内的重复出现仅计为一次。该去重计数方式可避免重复词语对密度曲线的过度放大,使曲线更准确反映语义信息的覆盖广度。

10、优选的,多个采样点在所述时间轴上按照所述待分析对话文本中相邻语句的结束时间戳等间距设置,且每个所述采样点对应一个完整的语句输出时刻。这样设置采样点能够使语义密度变化趋势与语句级输出节奏对齐,减少语句内部时间偏移对趋势判断的干扰。

11、优选的,所述情感转向贡献度在所述第一数量与所述第二数量之和为零时被置为预设的中性贡献值,所述中性贡献值用于表征所述待分析对话文本对所述情感陪伴会话未产生明确的情感转向驱动。该方式在无明确转折时给出稳定的中性输出,避免因分母为零导致计算异常,提高方法的鲁棒性。

12、在上述技术方案中,本发明提供的技术效果和优点:

13、对待分析对话文本执行分词处理和依存句法分析,依据主谓关系、动宾关系、定中关系和状中关系将词序列中的词划分为主干词和修饰词,分别按原始出现顺序排列生成主干语义单元序列和修饰语义单元序列。在序列基础上识别主干词之间的第一语义关联边,以及修饰词与被修饰主干词之间的第二语义关联边,以主干词和修饰词为语义节点、以第一语义关联边和第二语义关联边为语义边构建语义关联图谱。该处理方式将非结构化的对话文本转换为可计算的语义关联结构,保留词间支配、修饰和指向关系,使主干语义与修饰语义在结构上相互区分又保持对应联系。相比于常规情感陪伴分析中对整段文本进行情感极性判断或情绪词统计,语义关联图谱能够反映用户表达中的语义层级和依存细节,减少修饰性内容对用户核心情绪意图判定的干扰,使情感转向分析所依赖的语义基础更加明确。

14、提取语义关联图谱中的语义节点和语义边,为语义节点标注出现时间戳,为语义边确定有效时间区间,以单位时间窗口内语义节点出现次数与语义边有效时间区间覆盖数量的加权和生成语义密度分布曲线。语义节点出现次数按首次出现频次去重计数,语义边覆盖数量依据依存关系类型对应的关联强度权重进行加权,采样点与相邻语句的结束时间戳对应。该曲线连续反映用户表达状态中语义密度沿时间轴的变化过程。根据语义密度分布曲线在会话中的累积变化趋势,通过差值序列中正值转折点和负值转折点的分布比例确定情感转向贡献度。情感转向判断从单句情感极性或静态情绪词频统计转变为对语义密度累积变化方向的连续度量,能够体现用户情感表达强度在时间维度上的动态波动,降低局部情绪词对整体判断的干扰,输出具有语义结构依据和时序变化依据的情感转向贡献度量化结果。