基于多实体的AI社媒标签生成方法及系统与流程
本发明涉及数据处理技术,尤其涉及一种基于多实体的ai社媒标签生成方法及系统。
背景技术:
1、随着社交应用的普及,用户在社交界面中所发布的社交内容在形式上日益丰富,除文本之外,还广泛包括社交表情符以及社交语音条等内容形式。为实现对社交内容的智能化理解,社交平台通常会对社交内容进行情绪感知,并生成用于表征该社交内容所指向的情绪种类及其强弱程度的社媒标签。
2、在现有做法中,社媒标签的生成多以社交内容自身为对象,例如基于文本内容进行情绪分类,也即,通过情绪词典匹配或者文本情绪分类模型对文本进行打分,并将得分最高的情绪种类及其置信度作为标签输出。
3、然而,由于标签仅取决于当前这一次社交内容本身,忽略了同一用户面向不同社交对象时表达习惯上的差异,同一条内容在发送给不同对象时所承载的真实强度并不相同,采用统一输出必然使标签与真实表达强度之间出现偏差。
4、基于此,亟需提供一种能够提高标签生成准确性的基于多实体的ai社媒标签生成方法及系统。
技术实现思路
1、基于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于多实体的ai社媒标签生成方法及系统。
2、根据本发明的一个方面,提供一种基于多实体的ai社媒标签生成方法,包括以下步骤:
3、控制位于社交终端的采集单元对社交界面进行采集,并对得到的社交内容进行识别,得到对应社交内容的基础情绪以及基础程度值;
4、基于对应社交内容的实体标识构建由对应不同情绪种类的各情绪分支以及与每一情绪分支对应的当前表达系数形成的感知情绪树;
5、基于基础情绪对感知情绪树进行遍历,并将与基础情绪具有相同情绪种类的情绪分支确定为目标分支,以将目标分支对应的当前表达系数确定为目标系数;
6、基于目标系数对基础程度值进行程度修正,得到修正程度值,并将由对应目标分支的情绪种类与修正程度值组成的社媒标签发送至社交界面;
7、将社媒标签记录至目标分支,以对目标分支的分支内容进行更新。
8、可选地,在根据本发明的方法中,对得到的社交内容进行识别,得到对应社交内容的基础情绪以及基础程度值,包括:
9、对得到的社交内容进行识别,得到对应文本维度的文本情绪以及文本程度值;
10、对位于社交内容的社交表情符进行识别,得到对应符号维度的符号情绪以及符号程度值;
11、对位于社交内容的社交语音条进行分帧处理,并对经过分帧处理的社交语音条进行提取,得到对应社交语音条的音高序列;
12、将位于音高序列的最大音高与调取的各情绪音高区间进行对比,并将包含最大音高的情绪音高区间对应的情绪种类确定为音色情绪;
13、将位于音高序列的音高跨度与对应音色情绪的音高区间进行区间比对,并将音高跨度位于音高区间中的跨度占比确定为音色程度值;
14、确定对应文本程度值、符号程度值以及音色程度值的维度权重值,并基于维度权重值对文本程度值、符号程度值以及音色程度值进行加权求和计算,得到基础程度值;
15、将对应维度权重值最大的情绪确定为对应社交内容的基础情绪,并将基础程度值与基础情绪记录至对应社交内容的内容记录组。
16、可选地,在根据本发明的方法中,对位于社交内容的社交表情符进行识别,得到对应符号维度的符号情绪以及符号程度值,包括:
17、对位于社交内容的社交表情符进行截取,得到对应不同截取时刻的各截取图像帧;
18、基于时序顺序对相邻截取图像帧进行差分计算,并将位于得到的相邻帧差图像的、对应像素数值不为零值的各图像像素点确定为变化像素点;
19、确定对应位于同一相邻帧差图像的所有变化像素点的变化数量,并确定位于相邻帧差图像的、由所有变化像素点对应形成最小外接矩形的变化围合区;
20、响应变化围合区完全重合于相邻帧差图像,将社交表情符确定为静态表情符,并将位于图像帧序列首位的截取图像帧确定为表意图像帧,反之则将社交表情符确定为动态表情符,并将对应变化数量最大的相邻帧差图像确定为峰差图像,以将位于图像帧序列的、对应同一峰差图像且处于后位的截取图像帧确定为表意图像帧;
21、对表意图像帧进行图像识别,并将识别得到的情绪种类与程度数值分别确定为对应符号维度的符号情绪以及符号程度值。
22、可选地,在根据本发明的方法中,将社交表情符确定为动态表情符,并将对应变化数量最大的相邻帧差图像确定为峰差图像,以将位于图像帧序列的、对应同一峰差图像且处于后位的截取图像帧确定为表意图像帧,包括:
23、将位于图像帧序列末位、首位的截取图像帧进行差分计算,得到回环帧差图像,并确定位于回环帧差图像的、对应像素数值不为零值的所有图像像素点的回环像素数量;
24、响应回环像素数量为零值,将图像帧序列确定为完整序列;
25、响应回环像素数量不为零值,将图像帧序列确定为截断序列,并将峰差图像确定为界差分界;
26、将位于图像帧序列的、对应同一界差分界处于后位的截取图像帧确定为重排图像帧,并以重排图像帧为起点、将位于图像帧序列的各截取图像帧沿排列顺序依次循环排列至重排图像帧的前一位截取图像帧,得到重排帧序列;
27、基于重排帧序列对相邻两个截取图像帧进行差分计算,得到更新后的各相邻帧差图像以及各变化数量;
28、将更新后的各相邻帧差图像中对应最大变化数量的相邻帧差图像重新确定为峰差图像,并将位于重排帧序列的、对应同一峰差图像且处于后位的截取图像帧确定为表意图像帧。
29、可选地,在根据本发明的方法中,基于维度权重值对文本程度值、符号程度值以及音色程度值进行加权求和计算,得到基础程度值,包括:
30、获取与实体标识对应的内容记录组,并将位于内容记录组的所有社交内容确定为各社交历史内容,以确定对应所有社交历史内容的历史社交数量;
31、将包括社交表情符的所有社交历史内容确定为符号历史内容,并获取对应所有符号历史内容的符号历史数量;
32、调取权重档位表,其中,权重档位表包括各不同情绪维度、与每一情绪维度对应的第一权重值以及第二权重值;
33、响应符号历史数量大于对应历史社交数量的一半数值,将位于权重档位表的、对应符号维度的第一权重值确定为目标权重值,反之则将位于权重档位表的、对应符号维度的第二权重值确定为目标权重值;
34、将对应符号维度的维度权重值替换为目标权重值,将被替换前的维度权重值与替换后的维度权重值进行差值计算,并基于得到的权重差值将对应文本维度的维度权重值进行更新。
35、可选地,在根据本发明的方法中,基于对应社交内容的实体标识构建由对应不同情绪种类的各情绪分支以及与每一情绪分支对应的当前表达系数形成的感知情绪树,包括:
36、建立实体槽位,并以实体槽位为起点、逐层向外生成对应不同情绪种类的情绪分支;
37、将实体标识填充至实体槽位,基于情绪种类确定对应每一情绪分支的初始表达系数,并将对应每一情绪分支的初始表达系数分别填充至对应的情绪分支,得到初始情绪树;
38、确定对应所有情绪维度的维度数量,并基于对应每一情绪分支的分支末端生成与维度数量对应相同数量、且对应不同情绪维度的各维度枝叶,以将获取的、对应不同情绪维度的维度权重值填充至对应维度枝叶;
39、获取与实体标识对应的内容记录组,并将位于内容记录组的所有社交内容确定为各社交历史内容;
40、响应任一情绪分支存在社交历史内容,对基于社交历史内容确定的各历史程度值进行均值计算,并基于得到的当前表达系数对该情绪分支的初始表达系数进行替换,反之则将初始表达系数确定为当前表达系数,得到感知情绪树。
41、可选地,在根据本发明的方法中,将实体标识填充至实体槽位,基于情绪种类确定对应每一情绪分支的初始表达系数,并将对应每一情绪分支的初始表达系数分别填充至对应的情绪分支,得到初始情绪树,包括:
42、确定与社交内容对应的接收端,并将对应接收端的接收标识确定为实体标识,以将实体标识填充至实体槽位;
43、对调取的预设关系表进行遍历,其中,预设关系表包括各不同接收标识、与每一接收标识对应的关系种类以及与每一关系种类对应的下调比例;
44、响应对应实体标识的关系种类不为从属关系,将对应不同情绪种类的各预设表达系数确定为位于各情绪分支的各初始表达系数;
45、响应对应实体标识的关系种类为从属关系,将对应情绪趋向为负向趋向的各情绪种类确定为待抑种类,并将位于预设关系表的、对应从属关系的下调比例确定为目标比例;
46、将位于各待抑种类对应的情绪分支的各初始表达系数与目标比例分别进行乘积计算,得到对应每一待抑种类的下调数值,并将初始表达系数与下调数值进行差值计算,得到更新后的初始表达系数;
47、将更新后的、对应每一情绪分支的初始表达系数分别填充至对应的情绪分支,得到初始情绪树。
48、可选地,在根据本发明的方法中,响应任一情绪分支存在社交历史内容,对基于社交历史内容确定的各历史程度值进行均值计算,并基于得到的当前表达系数对该情绪分支的初始表达系数进行替换,包括:
49、响应任一情绪分支存在社交历史内容,基于情绪种类对社交历史内容进行标记,得到对应不同社交历史内容的种类标记;
50、获取对应每一社交历史内容的历史发送时刻,并对各社交历史内容进行基于各历史发送时刻的、对应由先至后的排序,得到历史序列;
51、调取预设程度词表,其中,预设程度词表包括各不同度量词以及与每一度量词对应的程度数值;
52、响应位于历史序列的任一社交历史内容包括与任一度量词相同的文本字符,将该度量词对应的程度数值确定为该社交历史内容的历史程度值;
53、响应位于历史序列的任一社交历史内容不包括与任一度量词相同的文本字符,将位于历史序列的、排序位于该社交历史内容前一位的社交历史内容的历史程度值确定为该社交历史内容的历史程度值;
54、将具有同一种类标记的所有社交历史内容汇总至同一历史分组,并响应对应位于任一历史分组的所有社交历史内容的历史社交数量小于预设分组基数,将该历史分组确定为稀疏分组;
55、对位于同一历史分组且不为稀疏分组的所有历史程度值进行均值计算,并将得到的、对应每一历史分组的程度均值确定为对应与该历史分组具有相同情绪种类的情绪分支的当前表达系数;
56、响应任一情绪分支不存在对应的历史分组或者与该情绪分支对应的历史分组为稀疏分组,将与该情绪分支具有同一情绪趋向的各情绪分支确定为趋向分支;
57、响应任一趋向分支存在对应的程度均值,对位于各趋向分支的所有程度均值进行均值计算,并将得到的趋向均值确定为对应情绪分支的当前表达系数;
58、响应各趋向分支均不存在对应的程度均值,将调取的基准程度值确定为对应情绪分支的当前表达系数;
59、基于得到的、对应情绪分支的当前表达系数将对应同一情绪分支的初始表达系数进行替换。
60、可选地,在根据本发明的方法中,基于目标系数对基础程度值进行程度修正,得到修正程度值,并将由对应目标分支的情绪种类与修正程度值组成的社媒标签发送至社交界面,包括:
61、将目标系数与基础程度值进行基于绝对数值的差值计算,得到偏离绝对量;
62、响应目标系数小于基础程度值,将程度修正确定为抑制修正,反之则将程度修正确定为增强修正;
63、响应程度修正为抑制修正,将偏离绝对量与预设抑制比例进行乘积计算,得到动态抑制数值,并将基础程度值与动态抑制数值进行差值计算,得到修正程度值;
64、响应程度修正为增强修正,将偏离绝对量与预设增强比例进行乘积计算,得到动态增强数值,并将基础程度值与动态增强数值进行求和计算,得到修正程度值;
65、将由对应目标分支的情绪种类与得到的修正程度值组成的社媒标签发送至社交界面。
66、可选地,在根据本发明的方法中,响应各趋向分支均不存在对应的程度均值,将调取的基准程度值确定为对应情绪分支的当前表达系数,包括:
67、将位于感知情绪树的、当前表达系数为基准程度值的情绪分支确定为待补分支,并将对应待补分支的情绪种类确定为待补种类;
68、将实体标识确定为目标标识,并将与目标标识具有不同实体标识的各感知情绪树确定为借用情绪树;
69、将位于每一借用情绪树的、对应待补种类的情绪分支确定为借用分支,并获取与每一实体标识对应的群体标识;
70、将与目标标识具有相同群体标识的所有借用分支确定为同类分支,并对位于各同类分支的所有当前表达系数进行均值计算,得到借用系数;
71、将借用系数与基准程度值进行基于绝对数值的差值计算,得到借用差值,并调取预设借用步长以及对应小于预设分组基数的预设接管数量;
72、响应借用差值小于预设借用步长,将借用系数确定为对应待补分支的当前表达系数;
73、响应借用差值不小于预设借用步长、且借用系数大于基准程度值,将基准程度值与预设借用步长进行求和计算,得到对应待补分支的当前表达系数;
74、响应借用差值不小于预设借用步长、且借用系数小于基准程度值,将基准程度值与预设借用步长进行差值计算,得到对应待补分支的当前表达系数;
75、响应与待补分支对应的历史分组的所有社交历史内容的历史社交数量达到预设接管数量,将各同类分支进行去除,并对位于历史分组的所有历史程度值进行均值计算,以将得到的本端均值对待补分支的当前表达系数进行替换。
76、可选地,在根据本发明的方法中,对位于同一历史分组且不为稀疏分组的所有历史程度值进行均值计算,并将得到的、对应每一历史分组的程度均值确定为对应与该历史分组具有相同情绪种类的情绪分支的当前表达系数,包括:
77、获取对应每一社交历史内容的内容来源,其中,内容来源包括原生来源以及各转发来源;
78、调取的预设来源表,其中,来源表包括各不同转发来源以及与每一转发来源对应的衰减比例;
79、响应任一社交历史内容的内容来源与位于来源表的任一转发来源相同,将该社交历史内容确定为转发内容,并将与该转发来源对应的衰减比例确定为该转发内容的内容比例;
80、将对应转发内容的历史程度值与内容比例进行乘积计算,得到衰减程度值,并将衰减程度值对转发内容的历史程度值进行替换;
81、将位于历史分组的、对应内容来源为原生来源的各社交历史内容确定为原生内容,并将由各衰减程度值以及位于历史分组的各原生内容分别对应的各历史程度值组成的程度集合确定为对应历史分组的程度统计集;
82、对程度统计集包含的所有程度数值进行均值计算,得到对应历史分组的程度均值,并将程度均值确定为对应与该历史分组具有相同情绪种类的情绪分支的当前表达系数。
83、根据本发明的又一个方面,提供一种基于多实体的ai社媒标签生成系统,包括:
84、内容识别模块,被配置为控制位于社交终端的采集单元对社交界面进行采集,并对得到的社交内容进行识别,得到对应社交内容的基础情绪以及基础程度值;
85、树体调取模块,被配置为基于对应社交内容的实体标识构建由对应不同情绪种类的各情绪分支以及与每一情绪分支对应的当前表达系数形成的感知情绪树;
86、分支匹配模块,被配置为基于基础情绪对感知情绪树进行遍历,并将与基础情绪具有相同情绪种类的情绪分支确定为目标分支,以将目标分支对应的当前表达系数确定为目标系数;
87、标签发送模块,被配置为基于目标系数对基础程度值进行程度修正,得到修正程度值,并将由对应目标分支的情绪种类与修正程度值组成的社媒标签发送至社交界面;
88、分支更新模块,被配置为将社媒标签记录至目标分支,以对目标分支的分支内容进行更新。
89、根据本发明的方案,本发明至少具有以下有益效果:
90、首先,本发明对社交内容分别从文本维度、符号维度以及音色维度进行识别,并以各维度权重值加权求和得到基础程度值、将对应维度权重值最大的情绪确定为基础情绪,使多模态识别结果能够在统一的程度区间内被量化融合;
91、其次,本发明以实体为单位构建感知情绪树,为每一社交对象单独维护对应不同情绪种类的各情绪分支及其当前表达系数,并以该实体在该情绪种类下的惯常表达强度为基准对本次社交内容的表观强度进行程度修正,使得同一条社交内容面向不同社交对象时能够得到差异化的社媒标签;
92、再者,本发明在构建感知情绪树时,一方面依据关系种类对负向趋向的各情绪分支的初始表达系数进行下调,另一方面在该情绪分支缺少可取值的历史分组时,依次以同一情绪趋向的趋向均值以及同群体其他实体的借用系数进行补充,保证了冷启动与稀疏数据情形下标签取值的可信性;
93、此外,本发明对转发来源的各社交历史内容按对应的衰减比例进行衰减后再参与均值计算,避免非本端原生的表达污染该实体的表达系数;同时在借用过程中以预设借用步长逐步靠近借用系数,并在本端历史内容累积至预设接管数量时改为采用本端均值;
94、综上,本发明将多模态识别、多实体情绪树构建、分支匹配与程度修正以及标签的回写更新纳入同一处理流程,使感知情绪树随每一次标签生成而迭代演化,从而提高了社媒标签生成的准确性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com