用户情绪分析方法、装置、计算机可读存储介质及服务器与流程

1.本发明属于自然语言处理技术领域，尤其涉及一种用户情绪分析方法、装置、计算机可读存储介质及服务器。


背景技术：

2.随着技术的发展，越来越多的企业开始采用智能客服系统(intelligent customer service system)来取代人工客服，为企业与海量用户之间的沟通建立了一种基于自然语言的快捷有效的技术手段，同时还能够为企业提供精细化管理所需的统计分析信息。但现有技术往往仅能通过用户最后反馈的“满意”或者“不满意”来粗略评估智能客服系统与用户的对话效果，难以据此进一步提升智能客服系统的服务水平。


技术实现要素：

3.有鉴于此，本发明实施例提供了一种用户情绪分析方法、装置、计算机可读存储介质及服务器，以解决现有技术仅能粗略评估智能客服系统与用户的对话效果，难以据此进一步提升智能客服系统的服务水平的问题。
4.本发明实施例的第一方面提供了一种用户情绪分析方法，可以包括：
5.获取目标语音序列，所述目标语音序列为用户与预设的智能客服系统进行对话时所述用户的语音序列；
6.对所述目标语音序列进行文本转换，得到所述用户的语音文本序列；
7.根据预设的情绪词典分别计算所述语音文本序列中的各条语音文本的情绪分值；
8.根据所述语音文本序列中的各条语音文本的情绪分值计算所述用户的情绪分歧度；
9.若所述情绪分歧度大于预设的阈值，则根据所述语音文本序列中的各条语音文本的情绪分值确定所述用户的情绪变化趋势；
10.根据所述情绪变化趋势对所述智能客服系统进行调整。
11.在第一方面的一种具体实现中，所述根据所述语音文本序列中的各条语音文本的情绪分值确定所述用户的情绪变化趋势，可以包括：
12.根据所述语音文本序列中的各条语音文本的情绪分值分别计算所述用户的初始情绪值和终止情绪值；
13.若所述初始情绪值小于所述终止情绪值，则确定所述情绪变化趋势为正向变化；
14.若所述初始情绪值大于或等于所述终止情绪值，则确定所述情绪变化趋势为负向变化。
15.在第一方面的一种具体实现中，所述根据所述语音文本序列中的各条语音文本的情绪分值分别计算所述用户的初始情绪值和终止情绪值，可以包括：
16.将所述语音文本序列中的第一条语音文本的情绪分值确定为所述用户的初始情绪值；
17.或
18.将所述语音文本序列中的前p条语音文本的情绪分值的平均值确定为所述用户的初始情绪值，p为大于1的整数。
19.在第一方面的一种具体实现中，所述根据所述语音文本序列中的各条语音文本的情绪分值分别计算所述用户的初始情绪值和终止情绪值，可以包括：
20.将所述语音文本序列中的各条语音文本的情绪分值的平均值确定为所述用户的终止情绪值；
21.或
22.将所述语音文本序列中的后q条语音文本的情绪分值的平均值确定为所述用户的终止情绪值，q为正整数。
23.在第一方面的一种具体实现中，所述根据预设的情绪词典分别计算所述语音文本序列中的各条语音文本的情绪分值，可以包括：
24.对目标语音文本进行分词处理，得到所述目标语音文本的各个分词；所述目标语音文本为所述语音文本序列中的任意一条语音文本；
25.在所述情绪词典中分别查询所述目标语音文本的各个分词的情绪分值；
26.根据所述目标语音文本的各个分词的情绪分值计算所述目标语音文本的情绪分值。
27.在第一方面的一种具体实现中，所述根据所述目标语音文本的各个分词的情绪分值计算所述目标语音文本的情绪分值，可以包括：
28.根据下式计算所述目标语音文本的情绪分值：
[0029][0030]
其中，wordsent
i
为所述目标语音文本的第i个分词的情绪分值，m为所述目标语音文本的分词总个数，sentiment为所述目标语音文本的情绪分值。
[0031]
在第一方面的一种具体实现中，所述根据所述语音文本序列中的各条语音文本的情绪分值计算所述用户的情绪分歧度，可以包括：
[0032]
根据下式计算所述用户的情绪分歧度：
[0033][0034]
其中，sentiment
j
和sentiment
k
分别为所述语音文本序列中的第j条和第k条语音文本的情绪分值，n为所述语音文本序列中的语音文本总条数，sentidiv为所述用户的情绪分歧度。
[0035]
本发明实施例的第二方面提供了一种用户情绪分析装置，可以包括：
[0036]
目标语音序列获取模块，用于获取目标语音序列，所述目标语音序列为用户与预设的智能客服系统进行对话时所述用户的语音序列；
[0037]
文本转换模块，用于对所述目标语音序列进行文本转换，得到所述用户的语音文本序列；
[0038]
情绪分值计算模块，用于根据预设的情绪词典分别计算所述语音文本序列中的各条语音文本的情绪分值；
[0039]
情绪分歧度计算模块，用于根据所述语音文本序列中的各条语音文本的情绪分值计算所述用户的情绪分歧度；
[0040]
情绪变化趋势确定模块，用于若所述情绪分歧度大于预设的阈值，则根据所述语音文本序列中的各条语音文本的情绪分值确定所述用户的情绪变化趋势；
[0041]
系统调整模块，用于根据所述情绪变化趋势对所述智能客服系统进行调整。
[0042]
在第二方面的一种具体实现中，所述情绪变化趋势确定模块可以包括：
[0043]
情绪值计算单元，用于根据所述语音文本序列中的各条语音文本的情绪分值分别计算所述用户的初始情绪值和终止情绪值；
[0044]
正向变化确定单元，用于若所述初始情绪值小于所述终止情绪值，则确定所述情绪变化趋势为正向变化；
[0045]
负向变化确定单元，用于若所述初始情绪值大于或等于所述终止情绪值，则确定所述情绪变化趋势为负向变化。
[0046]
在第二方面的一种具体实现中，所述情绪值计算单元可以包括：
[0047]
第一子单元，用于将所述语音文本序列中的第一条语音文本的情绪分值确定为所述用户的初始情绪值；
[0048]
或
[0049]
第二子单元，用于将所述语音文本序列中的前p条语音文本的情绪分值的平均值确定为所述用户的初始情绪值，p为大于1的整数。
[0050]
在第二方面的一种具体实现中，所述情绪值计算单元可以包括：
[0051]
第三子单元，用于将所述语音文本序列中的各条语音文本的情绪分值的平均值确定为所述用户的终止情绪值；
[0052]
或
[0053]
第四子单元，用于将所述语音文本序列中的后q条语音文本的情绪分值的平均值确定为所述用户的终止情绪值，q为正整数。
[0054]
在第二方面的一种具体实现中，所述情绪分值计算模块可以包括：
[0055]
分词处理单元，用于对目标语音文本进行分词处理，得到所述目标语音文本的各个分词；所述目标语音文本为所述语音文本序列中的任意一条语音文本；
[0056]
情绪分值查询单元，用于在所述情绪词典中分别查询所述目标语音文本的各个分词的情绪分值；
[0057]
情绪分值计算单元，用于根据所述目标语音文本的各个分词的情绪分值计算所述目标语音文本的情绪分值。
[0058]
在第二方面的一种具体实现中，所述情绪分值计算单元具体可以用于根据下式计算所述目标语音文本的情绪分值：
[0059][0060]
其中，wordsent
i
为所述目标语音文本的第i个分词的情绪分值，m为所述目标语音文本的分词总个数，sentiment为所述目标语音文本的情绪分值。
[0061]
在第二方面的一种具体实现中，所述情绪分歧度计算模块具体可以用于根据下式计算所述用户的情绪分歧度：
[0062][0063]
其中，sentiment
j
和sentiment
k
分别为所述语音文本序列中的第j条和第k条语音文本的情绪分值，n为所述语音文本序列中的语音文本总条数，sentidiv为所述用户的情绪分歧度。
[0064]
本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述任意一种用户情绪分析方法的步骤。
[0065]
本发明实施例的第四方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述任意一种用户情绪分析方法的步骤。
[0066]
本发明实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器执行上述任一种用户情绪分析方法的步骤。
[0067]
本发明实施例与现有技术相比存在的有益效果是：本发明实施例获取目标语音序列，所述目标语音序列为用户与预设的智能客服系统进行对话时所述用户的语音序列；对所述目标语音序列进行文本转换，得到所述用户的语音文本序列；根据预设的情绪词典分别计算所述语音文本序列中的各条语音文本的情绪分值；根据所述语音文本序列中的各条语音文本的情绪分值计算所述用户的情绪分歧度；若所述情绪分歧度大于预设的阈值，则根据所述语音文本序列中的各条语音文本的情绪分值确定所述用户的情绪变化趋势。通过这样的方式，可以对用户在与智能客服系统进行对话过程中的情绪变化进行精准的判断，并据此对智能客服系统进行调整，从而可以进一步提升智能客服系统的服务水平。
附图说明
[0068]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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它的附图。
[0069]
图1为本发明实施例中一种用户情绪分析方法的一个实施例流程图；
[0070]
图2为根据预设的情绪词典分别计算语音文本序列中的各条语音文本的情绪分值的示意流程图；
[0071]
图3为情绪变化趋势为正向变化的示意图；
[0072]
图4为情绪变化趋势为负向变化的示意图；
[0073]
图5为本发明实施例中一种用户情绪分析装置的一个实施例结构图；
[0074]
图6为本发明实施例中一种服务器的示意框图。
具体实施方式
[0075]
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
[0076]
本发明对用户在与智能客服系统对话过程中的情绪进行精准的度量，在此基础上判断出用户的情绪变化趋势，并据此对智能客服系统进行调整，从而可以进一步提升智能客服系统的服务水平。
[0077]
本发明的执行主体可以为部署预设的智能客服系统的服务器，也可以为与所述智能客服系统相互独立，但能够与所述智能客服系统进行信息交互的服务器。
[0078]
请参阅图1，本发明实施例中一种用户情绪分析方法的一个实施例可以包括：
[0079]
步骤s101、获取目标语音序列。
[0080]
所述目标语音序列为用户与所述智能客服系统进行对话时所述用户的语音序列，其中可以包括若干条语音。
[0081]
在所述用户与所述智能客服系统进行对话的过程中，两者一般会发生多轮语音交互，例如，所述用户提出一个询问，所述智能客服系统对该询问进行回答，则记为一轮语音交互。所述用户在一轮语音交互中所讲的话即为一条语音，将所述用户在一次完整对话过程的各轮语音交互中所产生的语音按照时间先后顺序依次排列，即为所述目标语音序列。
[0082]
所述目标语音序列可以被存储在预设的数据库中，当需要进行用户情绪分析时，所述服务器可以从所述数据库中获取所述目标语音序列。
[0083]
在本技术实施例的一种具体实现中，可以直接基于所述目标语音序列进行用户情绪分析，具体地，可以提取所述目标语音序列的特征，将提取到的特征与语音情绪数据集里的情绪特征进行匹配，最后输出匹配到的情绪特征分类。然而通过分析用户语音来判断用户情绪具有局限性。例如，有的人讲话习惯声音大，音调高，利用语音去判断用户情绪是不够准确的，可能会造成情绪识别错误。
[0084]
为了提高用户情绪分析的准确率，在本技术实施例的另一种具体实现中，还可以通过步骤s102及其后续步骤来根据所述目标语音序列进行用户情绪分析。
[0085]
步骤s102、对所述目标语音序列进行文本转换，得到所述用户的语音文本序列。
[0086]
文本转换是指将语音转换成相对应的文本，本技术实施例中所使用的文本转换系统可以包含特征提取、声学模型，语言模型以及字典与解码四大部分，此外为了更有效地提取特征还可以对语音进行滤波、分帧等音频数据预处理工作，将需要分析的音频信号从原始信号中合适地提取出来；特征提取工作将语音从时域转换到频域，为声学模型提供合适的特征向量；声学模型中再根据声学特性计算每一个特征向量在声学特征上的得分；而语言模型则根据语言学相关的理论，计算该语音对应可能词组序列的概率；最后根据已有的字典，对词组序列进行解码，得到最后可能的文本。
[0087]
在本技术实施例中，可以对所述目标语音序列中的各条语音分别进行文本转换，每条语音经转换后，都得到一条与该语音相对应的文本，将其记为语音文本。将所述目标语音序列中的语音的总条数记为n，则文本转换得到的语音文本也为n条，这些语音文本按照其对应的语音的顺序依次排列，即为所述语音文本序列。
[0088]
步骤s103、根据预设的情绪词典分别计算所述语音文本序列中的各条语音文本的情绪分值。
[0089]
以所述语音文本序列中的任意一条语音文本(将其记为目标语音文本)为例，语音
文本的情绪分值的计算过程具体可以包括如图2所示的过程：
[0090]
步骤s1031、对所述目标语音文本进行分词处理，得到所述目标语音文本的各个分词。
[0091]
分词处理是指将一条文本切分成一个一个单独的词语，每个切分出来的词语都记为一个分词。在本技术实施例中，可以根据通用词典对文本进行切分，保证分出的词语都是正常词汇，如词语不在词典内则分出单字。当前后方向都可以成词时，例如“要求神”，会根据统计词频的大小划分，如“要求”词频高则分出“要求/神”，如“求神”词频高则分出“要/求神”。
[0092]
步骤s1032、在所述情绪词典中分别查询所述目标语音文本的各个分词的情绪分值。
[0093]
所述情绪词典中可以包括若干带有情绪色彩的词语以及相对应的情绪分值，如下表所示：
[0094]
带有情绪色彩的词语情绪分值优秀 5周到 3失望
‑
3糟糕
‑5…………
[0095]
其中，情绪分值为正时，代表积极正向的情绪，此时，情绪分值越高，则代表积极正向的情绪越强烈，例如，在上表中，“优秀”的正向情绪比“周到”更强烈；情绪分值为负时，代表消极负向的情绪，此时，情绪分值越低，则代表消极负向的情绪越强烈，例如，在上表中，“糟糕”的负向情绪比“失望”更强烈。
[0096]
所述情绪词典中具体采用哪些词语，以及各个词语的情绪分值的具体取值均可以根据实际情况进行设置，以上内容仅为示例，而非对其进行限制。
[0097]
在本技术实施例中，对于不在所述情绪词典中的词语，可以默认其不带有情绪色彩，对应的情绪分值为0。
[0098]
步骤s1033、根据所述目标语音文本的各个分词的情绪分值计算所述目标语音文本的情绪分值。
[0099]
具体地，可以根据下式计算所述目标语音文本的情绪分值：
[0100][0101]
其中，wordsent
i
为所述目标语音文本的第i个分词的情绪分值，m为所述目标语音文本的分词总个数，sentiment为所述目标语音文本的情绪分值。
[0102]
根据图2所示的过程，遍历所述语音文本序列中的各条语音文本，则可得到所述语音文本序列中的各条语音文本的情绪分值。
[0103]
步骤s104、根据所述语音文本序列中的各条语音文本的情绪分值计算所述用户的情绪分歧度。
[0104]
在本技术实施例中，情绪分歧度是指相同主体在不同时间对某一特定事务或话题表达出的情绪差异，情绪分歧度越大，则说明情绪差异越大，反之，情绪分歧度越小，则说明
情绪差异越小。
[0105]
在本技术实施例中，可以采用基于不同角度的情绪分歧度量化算法，分别适用不同的情况，这些情绪分歧度量化算法可以包括但不限于：
[0106]
(1)基于信息熵的情绪分歧度量化算法和基于情绪分布概率的情绪分歧度量化算法，适合用于不考虑情绪强度而只关心分布，且分歧较大的情况。其中存在感情认同权重时使用基于情绪分布概率的情绪分歧度量化算法，不考虑情绪认同权重时使用基于信息熵的情绪分歧度量化算法区分度更好。
[0107]
(2)基于情绪值差的情绪分歧度和基于正负情绪比值的情绪分歧度量化算法，适用于考虑情绪强度且不存在感情认同权重的情况。当对计算结果要求比较高时，可使用基于情绪值差的情绪分歧度量化方法，该算法可降低极端值的影响。对计算结果要求不高时，可采用基于正负情绪比值的情绪分歧度量化算法。
[0108]
(3)基于标准差的情绪分歧度量化算法和基于变异系数的情绪分歧度量化算法，适用于考虑情绪强度且存在情绪认同权重的情况。其中，情绪平均值较大时使用基于变异系数的情绪分歧度量化算法，情绪平均值相等时或接近时使用基于标准差的情绪分歧度量化算法。
[0109]
在本技术实施例的一种具体实现中，在得到所述语音文本序列中的各条语音文本的情绪分值之后，则可以根据下式计算所述用户的情绪分歧度：
[0110][0111]
其中，sentiment
j
和sentiment
k
分别为所述语音文本序列中的第j条和第k条语音文本的情绪分值，n为所述语音文本序列中的语音文本总条数，sentidiv为所述用户的情绪分歧度。
[0112]
若所述情绪分歧度小于或等于预设的阈值，则说明所述用户在整个对话过程中并未发生明显的情绪变化，此时无需再执行后续步骤；若所述情绪分歧度大于预设的阈值，则说明所述用户在整个对话过程中发生了明显的情绪变化，此时则执行步骤s105及其后续步骤。
[0113]
步骤s105、根据所述语音文本序列中的各条语音文本的情绪分值确定所述用户的情绪变化趋势。
[0114]
用户的情绪通常是一个动态变化的过程，例如，用户接电话前刚刚遇到不开心的事情，通话时的情绪不好，如果简单地将用户情绪判断为负面情绪，这一信息反倒会成为我们分析用户情绪的干扰因素，这是因为用户并非是因为智能客服系统提供的服务导致的负面情绪。为了避免这一问题，在本技术实施例中，所关注的并非是用户某一具体时刻的情绪，而是用户的情绪变化趋势。
[0115]
首先，根据所述语音文本序列中的各条语音文本的情绪分值分别计算所述用户的初始情绪值和终止情绪值。
[0116]
可选地，可以将所述语音文本序列中的第一条语音文本的情绪分值确定为所述用户的初始情绪值，即：
[0117]
sentiment
begin
＝sentiment1[0118]
其中，sentiment
begin
为所述初始情绪值。
[0119]
可选地，可以将所述语音文本序列中的前p条语音文本的情绪分值的平均值确定为所述用户的初始情绪值，即：
[0120][0121]
其中，p为大于1的整数。
[0122]
可选地，可以将所述语音文本序列中的各条语音文本的情绪分值的平均值确定为所述用户的终止情绪值，即：
[0123][0124]
其中，sentiment
end
为所述终止情绪值。
[0125]
可选地，可以将所述语音文本序列中的后q条语音文本的情绪分值的平均值确定为所述用户的终止情绪值，即：
[0126][0127]
其中，q为正整数。
[0128]
若所述初始情绪值小于所述终止情绪值，即sentiment
begin
<sentiment
end
，则确定所述情绪变化趋势为正向变化，如图3所示；若所述初始情绪值大于或等于所述终止情绪值，即sentiment
begin
<sentiment
end
，则确定所述情绪变化趋势为负向变化，如图4所示。
[0129]
步骤s106、根据所述情绪变化趋势对所述智能客服系统进行调整。
[0130]
具体地，若所述情绪变化趋势为正向变化，则说明所述智能客服系统在与所述用户的对话过程中所采用的话术策略较为合理，此时，则可以将该话术策略在所述智能客服系统中的权重进行适当的增加，这样该话术策略后续被采用的概率将会增大。若所述情绪变化趋势为反向变化，则说明所述智能客服系统在与所述用户的对话过程中所采用的话术策略不太合理，此时，则可以将该话术策略在所述智能客服系统中的权重进行适当的减少，这样该话术策略后续被采用的概率将会减小。通过这样的调整方式，可以使得所述智能客服系统不断优化其话术策略，提高用户满意度。
[0131]
综上所述，本发明实施例获取目标语音序列，所述目标语音序列为用户与预设的智能客服系统进行对话时所述用户的语音序列；对所述目标语音序列进行文本转换，得到所述用户的语音文本序列；根据预设的情绪词典分别计算所述语音文本序列中的各条语音文本的情绪分值；根据所述语音文本序列中的各条语音文本的情绪分值计算所述用户的情绪分歧度；若所述情绪分歧度大于预设的阈值，则根据所述语音文本序列中的各条语音文本的情绪分值确定所述用户的情绪变化趋势。通过这样的方式，可以对用户在与智能客服系统进行对话过程中的情绪变化进行精准的判断，并据此对智能客服系统进行调整，从而可以进一步提升智能客服系统的服务水平。
[0132]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0133]
对应于上文实施例所述的一种用户情绪分析方法，图5示出了本发明实施例提供
的一种用户情绪分析装置的一个实施例结构图。
[0134]
本实施例中，一种用户情绪分析装置可以包括：
[0135]
目标语音序列获取模块501，用于获取目标语音序列，所述目标语音序列为用户与预设的智能客服系统进行对话时所述用户的语音序列；
[0136]
文本转换模块502，用于对所述目标语音序列进行文本转换，得到所述用户的语音文本序列；
[0137]
情绪分值计算模块503，用于根据预设的情绪词典分别计算所述语音文本序列中的各条语音文本的情绪分值；
[0138]
情绪分歧度计算模块504，用于根据所述语音文本序列中的各条语音文本的情绪分值计算所述用户的情绪分歧度；
[0139]
情绪变化趋势确定模块505，用于若所述情绪分歧度大于预设的阈值，则根据所述语音文本序列中的各条语音文本的情绪分值确定所述用户的情绪变化趋势；
[0140]
系统调整模块506，用于根据所述情绪变化趋势对所述智能客服系统进行调整。
[0141]
在本技术实施例的一种具体实现中，所述情绪变化趋势确定模块可以包括：
[0142]
情绪值计算单元，用于根据所述语音文本序列中的各条语音文本的情绪分值分别计算所述用户的初始情绪值和终止情绪值；
[0143]
正向变化确定单元，用于若所述初始情绪值小于所述终止情绪值，则确定所述情绪变化趋势为正向变化；
[0144]
负向变化确定单元，用于若所述初始情绪值大于或等于所述终止情绪值，则确定所述情绪变化趋势为负向变化。
[0145]
在本技术实施例的一种具体实现中，所述情绪值计算单元可以包括：
[0146]
第一子单元，用于将所述语音文本序列中的第一条语音文本的情绪分值确定为所述用户的初始情绪值；
[0147]
或
[0148]
第二子单元，用于将所述语音文本序列中的前p条语音文本的情绪分值的平均值确定为所述用户的初始情绪值，p为大于1的整数。
[0149]
在本技术实施例的一种具体实现中，所述情绪值计算单元可以包括：
[0150]
第三子单元，用于将所述语音文本序列中的各条语音文本的情绪分值的平均值确定为所述用户的终止情绪值；
[0151]
或
[0152]
第四子单元，用于将所述语音文本序列中的后q条语音文本的情绪分值的平均值确定为所述用户的终止情绪值，q为正整数。
[0153]
在本技术实施例的一种具体实现中，所述情绪分值计算模块可以包括：
[0154]
分词处理单元，用于对目标语音文本进行分词处理，得到所述目标语音文本的各个分词；所述目标语音文本为所述语音文本序列中的任意一条语音文本；
[0155]
情绪分值查询单元，用于在所述情绪词典中分别查询所述目标语音文本的各个分词的情绪分值；
[0156]
情绪分值计算单元，用于根据所述目标语音文本的各个分词的情绪分值计算所述目标语音文本的情绪分值。
[0157]
在本技术实施例的一种具体实现中，所述情绪分值计算单元具体可以用于根据下式计算所述目标语音文本的情绪分值：
[0158][0159]
其中，wordsent
i
为所述目标语音文本的第i个分词的情绪分值，m为所述目标语音文本的分词总个数，sentiment为所述目标语音文本的情绪分值。
[0160]
在本技术实施例的一种具体实现中，所述情绪分歧度计算模块具体可以用于根据下式计算所述用户的情绪分歧度：
[0161][0162]
其中，sentiment
j
和sentiment
k
分别为所述语音文本序列中的第j条和第k条语音文本的情绪分值，n为所述语音文本序列中的语音文本总条数，sentidiv为所述用户的情绪分歧度。
[0163]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0164]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0165]
图6示出了本发明实施例提供的一种服务器的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。
[0166]
在本实施例中，该服务器6可包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机可读指令62，例如执行上述的用户情绪分析方法的计算机可读指令。所述处理器60执行所述计算机可读指令62时实现上述各个用户情绪分析方法实施例中的步骤，例如图1所示的步骤s101至s106。或者，所述处理器60执行所述计算机可读指令62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块501至506的功能。
[0167]
示例性的，所述计算机可读指令62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令62在所述服务器6中的执行过程。
[0168]
所述处理器60可以是中央处理单元(central processing unit，cpu)，还可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
[0169]
所述存储器61可以是所述服务器6的内部存储单元，例如服务器6的硬盘或内存。所述存储器61也可以是所述服务器6的外部存储设备，例如所述服务器6上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器61还可以既包括所述服务器6的内部存储单元也包
括外部存储设备。所述存储器61用于存储所述计算机可读指令以及所述服务器6所需的其它指令和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
[0170]
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。
[0171]
所述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，包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。
[0172]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。