一种信息识别方法、装置及电子设备与流程

1.本技术涉及信息处理技术领域，更具体的说是涉及一种信息识别方法、装置及电子设备。


背景技术：

2.伴随着人工智能的发展，智能应用场景中出现了智能客服和聊天机器人。以智能客服系统为例，需要对用户输入的文本信息进行识别，以保证能够准确获得用户的意图，完成对应的输出。
3.但是，用户输入的文本信息多种多样，采用固定的文本语义分析并不能准确获得用户的意图或者情绪，降低了文本识别的准确性。从而使得智能客服输出的结果或者执行的操作无法满足用户的需求，降低了用户的体验效果。


技术实现要素：

4.有鉴于此，本技术提供如下技术方案：
5.一种信息识别方法，包括：
6.获取与目标对象关联的目标文本信息；
7.对所述目标文本信息进行识别，得到与所述目标对象匹配的初始状态信息；
8.获取所述目标对象的属性标签；
9.基于所述属性标签对所述初始状态信息进行校准，得到所述目标对象的目标状态信息。
10.可选地，所述获取与目标对象关联的目标文本信息，包括：
11.若所述目标对象输入的文本信息满足输入位置条件，将所述文本信息确定为目标文本信息；
12.或者；
13.响应于生成的与所述目标对象匹配的文本信息对应的反馈信息不满足目标条件，将所述文本信息确定为目标文本信息。
14.可选地，所述获取目标对象的属性标签，包括：
15.获取与所述目标对象相匹配的分析辅助数据；
16.根据所述分析辅助数据，确定目标对象的属性标签。
17.可选地，所述基于所述户型标签对所述初始状态信息进行校准，得到所述目标对象的目标状态信息，包括：
18.检测所述初始状态信息是否与所述属性标签对应的目标对象的状态相匹配；
19.如果否，基于所述属性标签对所述初始状态信息进行校准，得到所述目标对象的状态信息。
20.可选地，所述基于所述属性标签对所述初始状态信息进行校准，得到所述目标对象的目标状态信息，包括：
21.将所述属性标签和所述初始状态信息输入至目标识别模型，获得所述目标对象的目标状态信息，所述目标识别模型是基于训练样本训练得到的神经网络模型，所述训练样本包括基于文本识别获得的目标对象的状态信息、目标对象的属性标签，以及标注的目标对象的目标状态信息。
22.可选地，所述方法还包括：
23.基于所述目标状态信息，对所述目标对象的属性标签进行更新，得到更新后的属性标签。
24.可选地，所述方法还包括：
25.确定与目标状态信息相匹配的处理参数；
26.基于所述处理参数对所述目标文本信息进行处理，得到处理结果。
27.可选地，所述确定与所述目标状态信息相匹配的处理参数，包括：
28.获取所述目标对象对应的初始处理参数，所述初始处理参数为与所述目标对象的属性标签相匹配的处理参数；
29.基于所述目标状态信息和所述初始处理参数进行计算，得到与所述目标状态信息相匹配的处理参数。
30.一种信息识别装置，包括：
31.第一获取单元，用于获取与目标对象关联的目标文本信息；
32.识别单元，用于对所述目标文本信息进行识别，得到与所述目标对象匹配的初始状态信息；
33.第二获取单元，用于获取所述目标对象的属性标签；
34.校准单元，用于基于所述属性标签对所述初始状态信息进行校准，得到所述目标对象的目标状态信息。
35.一种电子设备，包括：
36.存储器，用于存储应用程序和所述应用程序运行所产生的数据；
37.处理器，用于执行所述应用程序，以实现：
38.获取与目标对象关联的目标文本信息；
39.对所述目标文本信息进行识别，得到与所述目标对象匹配的初始状态信息；
40.获取所述目标对象的属性标签；
41.基于所述属性标签对所述初始状态信息进行校准，得到所述目标对象的目标状态信息。
42.从上述技术方案可以看出，本技术公开的一种信息识别方法、装置及电子设备，获取与目标对象关联的目标文本信息；对目标文本信息进行识别，得到与目标对象匹配的初始状态信息；获取目标对象的属性标签；基于属性标签对初始状态信息进行校准，得到目标对象的目标状态信息。实现了基于对象的属性标签对文本信息的识别结果的校准，使得识别结果更加准确，提升了用户的体验效果。
附图说明
43.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术的实施例，对于本领
域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
44.图1为本技术实施例一提供的一种信息识别方法的流程示意图；
45.图2为本技术实施例提供的一种情感预测模型的训练示意图；
46.图3为本技术实施例提供的一种应用场景的示意图；
47.图4为本技术实施例二提供的一种信息识别装置的结构示意图；
48.图5为本技术实施例三提供的一种电子设备的结构示意图。
具体实施方式
49.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
50.参见图1，为本技术实施例一提供的一种信息识别方法的流程示意图，该方法可以应用于对目标对象状态进行识别的应用场景，以便于基于识别结果进行后续的处理。具体的，该方法可以包括以下步骤：
51.s101、获取与目标对象关联的目标文本信息。
52.目标文本信息是在实际应用场景中获得的满足条件的文本信息。可以是目标对象输入的文本信息，也可以是基于目标对象产生的音频等数据转换为的文本信息。在实际的应用场景中，目标文本信息可以是目标对象输入的咨询文本或者留言文字信息等。
53.s102、对目标文本信息进行识别，得到与目标对象匹配的初始状态信息。
54.在获得了目标文本信息后，需要对目标文本信息进行识别，可以是对目标文本信息进行语义识别，以获得目标文本对应的状态信息，该状态信息可以表征用户目前所属于的状态，具体的可以是情感状态、答复需求状态等。也可以是将目标文本信息输出至对应的识别模型，由该识别模型对目标文本信息进行识别，获得文本特征，通过对文本特征进行分析，获得目标对象的初始状态信息。需要说明的是，在本技术实施例中的初始状态信息是仅基于目标文本信息识别获得的。
55.s103、获取目标对象的属性标签。
56.其中，目标对象的属性标签是基于用户的属性信息生成的，该属性信息包括与用户特征相关的基本属性信息，如，年龄、性别、职业等信息，还包括用户的文本属性信息，即基于用户历史产生的文本生成的标签，如，基于用户历史的咨询文本产生的咨询满意度标签。
57.在一种可能的实现方式中，可以通过对目标对象进行用户画像的方式来获得其对应的属性标签。用户画像又称用户角色，作为一种勾画目标对象、联系目标对象诉求与设计方向的有效工具。用户画像是与目标对象相关联的数据的可视化展示，即实现了用户信息标签化。用户画像可以通过用户对应的基本特征信息和用户历史产生的相关信息生成，其中，用户历史产生的相关信息包括用户产生的浏览内容记录信息、用户的输入文本信息、用户的感兴趣的相关领域的特征信息等。也可以通过预先训练生成的用户画像模型来获得目标对象的用户画像，对应的，可以将用户的特征信息转换为特征向量输入至用户画像模型，
使得用户画像模型输出与该目标对象对应的用户画像。在获得了目标对象的用户画像后，可以得到该目标对象对应的用户标签，如统计类标签(包括年龄、性别、地域等)，兴趣类标签(如商品偏好、兴趣类型等)还也可以包括挖掘类标签(如语言特征标签、输入文本喜好标签等)。
58.s104、基于属性标签对初始状态信息进行校准，得到目标对象的目标状态信息。
59.在本技术实施例中获得了目标对象的初始状态信息后，并不将该初始状态信息中的状态作为目标对象的最终状态，而是根据目标对象的属性标签对初始状态信息进行校准，得到目标状态信息，将该目标状态信息中的状态作为用户的最终状态。当目标文本为表征积极正向的文本，那么通过对该目标文本进行识别时，获得的目标对象的初始状态也是积极正向的。但是，当获得的用户属性标签得到的用户属性为消极负向的情绪，则通过该属性标签对初始状态信息进行校正，最终得到的目标状态信息可以表征用户处于消极情绪状态。例如，在服务反馈的应用场景中，用户输入的目标文本是“贵公司的服务态度真好，反馈真积极”，若单独对该目标文本进行识别，获得的是用户处于表扬的情感，但是获得用户的属性标签后，得到用户的属性标签包括售后不满意、多次咨询等，可以得出用户输入的目标文本是具有贬义情感的，其实质对售后服务和服务反馈并不满意。因此，基于该属性标签对识别的初始状态信息进行校准后，得到的目标状态信息是用户对当前咨询结果和反馈进度十分不满，需加快售后处理进度。
60.以目标产品的人工智能售后服务系统为例，用户在购买该目标产品后，若目标产品出现问题或者不能正确使用该目标产品时，可以通过在线留言的方式将相关问题进行反馈，人工智能售后服务系统会根据用户留言的时间、留言问题来分析出何时对该留言进行回复，并且会生成对应的回复内容，通过该用户预留的联系方式发送给该用户。当用户在5.25日针对产品问题进行的留言内容为“到底什么时候回复，真的是一个不错的售后，回复如此积极”。当单纯对该文本进行分析时，通过语义内容可能会得出该用户是想要得到回复，并且表扬了售后服务。按照正常的处理条件，由于用户是在5.25日留言的，而当前时间为5.27日，按照时间先后处理条件以及问题内容严重程度处理条件，可能会认为当前用户的状态为满意状态，不需要立即处理，即可以将该用户的这条留言的处理优先级系数会确定为3(优先级系数为1
‑
5，优先级系数越大越优先处理)，即可能是在处理完5.23日和5.24日的留言之后才会对该留言进行处理。
61.而在本技术实施例中，在接收到该用户的留言内容后，并不是直接根据文本内容分析后输出该留言的优先级参数，而是需要根据用户的属性标签对基于留言内容得到的优先级参数进行校准后，才能够获得该用户真实的状态。若获得的用户属性标签为在一段时间内频繁进行售后留言，并且留言内容包括图像信息、文本信息，以及对最近的回复进行了差评的相关标签内容后，可以获知该用户并不满意当前的回复内容，以及对当前的回复处于消极抵抗的状态，因此会提高这条留言的优先级系数，例如将优先级系数确定为5，这样可以优于较早留言的优先级系数较低的用户得到回复，并且还可以进一步转到人工售后进行服务，以提升该用户对售后服务的满意程度。
62.从上述技术方案可以看出，本技术实施例一提供了一种信息识别方法，获取与目标对象关联的目标文本信息；对目标文本信息进行识别，得到与目标对象匹配的初始状态信息；获取目标对象的属性标签；基于属性标签对初始状态信息进行校准，得到目标对象的
目标状态信息。实现了基于对象的属性标签对文本信息的识别结果的校准，使得识别结果更加准确，从而在后续的处理过程中能够基于目标对象的真实状态确定与之匹配的处理模式，使得处理过程更加满足用户的真实需求，从而提升了用户的体验效果。
63.可以对用户产生的文本均采用本技术实施例中的信息识别方法进行处理，以获得与目标对象最真实状态的识别结果。但是，若每次都对用户输入的文本均进行识别，会占用过多的处理资源，因此，在本技术中摘要是针对满足目标条件的文本信息进行识别。
64.在一种实施方式中，获取与目标对象关联的目标文本信息，包括：若所述目标对象输入的文本信息满足输入位置条件，将所述文本信息确定为目标文本信息。在客服系统中，目标对象为进行咨询的用户，通常用户与智能客户是通过对话的形式进行相关内容描述的。在目标咨询周期内，智能客服会根据用户输入的咨询信息进行答复，用户可以根据智能客服答复的信息进行继续咨询，但是当用户不再输入咨询信息时可能是咨询结束，也可能是用户并不满意智能客服输出的信息。对于这种情况，会采集满足输入位置条件的目标对象输入的文本信息作为目标文本信息来识别。其中，输入位置条件可以根据具体的应用场景设定，如在客服系统中，可以是目标对象与智能客服对话时最后一次输出的文本信息。也可以是在问题反馈场景中，在目标留言位置对应的文本信息，如在对应目标反馈字段的文本信息，具体的，例如目标反馈字段为“请提供针对新产品的反馈信息”，“请提供本次咨询的意见”。
65.在另一种实施方式中，获取与目标对象关联的目标文本信息，包括：响应于生成的与目标对象匹配的文本信息对应的反馈信息不满足目标条件，将文本信息确定为目标文本信息。其中，目标条件表征目标对象不满意反馈信息的条件。用户输入的文本信息为咨询文本时，用户在输入文本信息后，会接收到客服系统的反馈信息，同时用户可以对反馈信息进行评价，包括满意该反馈信息或者不满意该反馈信息，当用户选择不满意反馈信息或者不对反馈信息进行评价时，可以认为客服系统输出的反馈信息并不能与用户实际需求相匹配，因此，会对用户的文本信息进行识别，以获得能够代表用户真实需求的状态信息。
66.在对目标文本信息进行识别获得用户的初始状态信息后，需要根据目标对象的属性标签对初始状态信息进行校准，其中，获取目标对象的属性标签包括：获取与目标对象相匹配的分析辅助数据，根据分析辅助数据确定目标对象的属性标签。分析辅助数据是能够获得的与目标对象相关的所有数据，主要包括目标对象的属性数据，以及与目标文本信息具有相同属性的文本信息。其中，目标对象的属性信息是目标对象画像层面的数据，如目标对象的性别、年龄、职业等信息。与目标文本信息具有相同属性的文本信息是包括与目标文本信息属于相同业务类型的数据，如目标文本信息为咨询信息，则获得的分析辅助信息为用户在输入目标文本信息之前的历史文本信息。具体的，可以为1个月内的投诉信息、咨询信息、产品售后留言信息等。因此，可以通过该用户对应的历史文本信息更新用户的属性标签，或者进一步对用户的属性标签匹配对应的标签重要程度参数。例如，若该用户针对产品的评价信息为正向评价信息，则对应的用户的产品评价标签为好评用户，若用户在近一个月内追加了相关评价信息，而该评价信息为投诉信息，如主要内容可以是针对产品在使用过程中售后指导不及时等，根据该用户的追加评论信息会更新之前用户的产品评价标签，即将标签内容对应的好评用户可以修改为对售后不满意。这样使得在应用用户属性标签时能够体现用户的真实状态，对校准用户的状态提供了更准确的基础数据。
67.在获得了分析辅助数据后，可以根据该分析辅助数据生成目标对象的属性标签，具体的，在生成属性标签时可以对分析辅助数据进行关键词提取，对提取后的关键词进行合并得到对应的标签信息，本技术对生成属性标签的具体方式不进行限制。
68.在一种实施方式中，所述基于属性标签对初始状态信息进行校准，得到目标对象的目标状态信息，包括：
69.检测初始状态信息是否与属性标签对应的目标对象的状态相匹配，如果否，基于属性标签对初始状态信息进行校准，得到目标对象的状态信息。
70.属性标签能够表征目标对象的特征信息，若初始状态信息表征用户对当前客服系统的满意状态，而属性标签表征用户对之前的售后咨询信息满意，则表征初始状态信息与属性标签相匹配，则可以不对初始状态信息进行校准。对应的，若不匹配或者匹配度较低，则会利用属性标签对初始状态信息进行校准。
71.在一种实施方式中，所述基于属性标签对初始状态信息进行校准，得到目标对象的目标状态信息，包括：
72.将属性标签和初始状态信息输入至目标识别模型，获得目标对象的目标状态信息。
73.目标识别模型是基于训练样本训练得到的神经网络模型，所述训练样本包括文本识别获得的目标对象的状态信息、目标对象的属性标签，以及标注的目标对象的目标状态信息。
74.具体的，在模型训练阶段，需要首先获得多条目标对象的历史文本信息以及对应的目标对象的属性标签作为训练样本集，并针对训练样本集中的各条样本数据进行人工标注，在标注时需要精确标注出每一样本数据对应的用户实际状态。在完成对训练数据的目标对象的状态标注后，可以基于标注后的训练数据进行目标识别模型的训练，在训练模型时，识别模型可以采用信息分类模型，如采用svm(support vector machine，支持向量机)、cnn(convolutional neural network，卷积神经网络)或者lstm(long short
‑
term memory，长短期记忆网络)等；也可以选用信息抽取模型，如crf(conditional random field algorithm，条件随机场算法)、lstm crf等，或者还可以将文本分类模型和信息抽取模型进行有效融合。
75.在完成目标识别模型训练的基础上，后续可以将基于目标文本信息识别到的初始状态信息和属性标签输入至目标识别模型，由模型对上述信息进行识别和处理，得到目标状态信息。
76.需要说明的是，上述目标识别模型是基于模型处理的一种实施方式，对应的模型还可以由其他的结构，当模型结构不同时，对应的训练样本也不同。例如，可以将目标对象的历史目标文本信息和目标对象的属性标签，以及目标状态信息作为标注信息生成的数据为训练样本，然后基于该训练样本进行模型训练，得到目标模型。使得输入该目标模型的数据为目标文本信息和属性标签，该目标模型的输出信息为目标状态信息。
77.为了能够使得目标对象的属性标签能够实时表征目标对象的特征。进一步，可以基于目标状态信息，对目标对象的属性标签进行更新，得到更新后的属性标签，以使得后续再次识别时采用更新后的属性标签，使得目标对象的状态识别更加准确。
78.例如，初始状态信息表征用户输出的文本为褒义文本，而属性标签为用户对智能
客服的满意程度为3(如，满意程度分值范围为0
‑
5，越低代表满意度越低)，则目标状态信息表征用户输出的文本为不满意当前的智能客服的反馈。然后基于目标状态信息更新后的属性标签为用户对智能客服的满意程度为2。
79.在本技术的一种实施方式中，在前述实施例的基础上，所述方法还包括：
80.确定与目标状态信息相匹配的处理参数；
81.基于所述处理参数对目标文本信息进行处理，得到处理结果。
82.其中，处理参数表征对目标文本信息进行处理的等级参数，可以是优先级参数。若目标状态信息表征目标对象的情感状态等级，若情感状态等级分为1
‑
5个等级，等级越低表示对当前的咨询结果的情感越不满意，当识别到目标状态信息对应的情感状态等级为2，则可以得知目标对象对当前咨询结果十分不满意，因此对应的处理参数优先级别较高，使得优先对该目标对象反馈的咨询问题进行处理，以提升该目标对象的满意度。
83.具体的，所述确定与目标状态信息相匹配的处理参数，包括：获取目标对象对应的初始处理参数；基于所述目标状态信息和初始处理参数进行计算，得到与目标状态信息相匹配的处理参数。其中，初始处理参数为目标对象的属性标签相匹配的处理参数。不同的属性标签可以匹配对应的处理参数，然后不同的状态信息对应不同的权重值，可以基于权重值与初始处理参数进行计算，得到与目标状态信息相匹配的处理参数。
84.以智能客服系统的实际应用场景为例，文本信息包括用户针对产品或者服务的咨询反馈信息或者建议留言信息，用户的状态包括用户的情感状态，其中，用户的属性标签包括基本属性标签和业务属性标签，基本属性标签包括年龄、性别、职业等人口统计学特征，业务属性标签包括用户30日内重复维修、3个月内新购机故障、历史投诉等。将文本信息输入至文本情绪识别模型，得到用户情感得分的基础上，结合用户历史标签数据构建样本向量，再进行人工标注，以此可以训练综合用户标签的情感预测模型，起到从文本以外的维度深度挖掘用户情绪的目的。
85.具体的，在生成该情感预测模型时，训练样本集中的每一条训练样本均包括文本信息、用户属性标签，以及标注的用户情感，通过利用该训练样本集进行训练，使得训练得到的模型输出的用户预测情感与标注的用户情感一致或相近时，停止对模型的训练和优化过程，得到该情感预测模型，以使得后续将用户对应的文本信息和属性标签输入至该情感预测模型得到该用户对应的情感，其中，情感可以是积极情感和消极情感。若训练样本中标注的用户的情感类型更加具体，则通过该情感预测模型输出的情感类型也可以更加具体，如输出的情感预测信息可以包括对应的等级信息，具体的，可以包括一级正向情感、二级正向情感、一级负向情感、二级负向情感等。
86.例如，用户输入的文本信息为“你们的服务态度真好，希望你们永远这么好。”，获得的与该用户对应的属性标签为“女性、新用户、未进行过产品评价”，将上述信息输入至情感预测模型后，得出的用户情感为积极正向评价情感。又例如，用户输入的文本信息仍然为“你们的服务态度真好，希望你们永远这么好。”若获得的与该用户对应的属性标签为“女性，年龄30
‑
40，老用户、历史投诉5次、售后申请3次、对售后服务差评率较高”，将上述信息输入至情感预测模型，得出用户情感为消极评价情感，即用户对当前的服务并不满意，是正话反说。
87.以上述情感预测模型，参见图2，为本技术实施例提供的一种情感预测模型的训练
示意图。该情感预测模型为深度学习模型，深度学习模型一般由各种模型层组合而成，如图2所示，该情感预测模型的模型层包括x层，从种类上可以分为卷积层、池化层和全连接层等，需要说明的是神经网络架构的选取不同，其中的具体结构也可以不同。图2中的模型结构对应各个层以layer1、layer2、
……
、layer x代替。该模型包括两个分支，即输入信息包括文本信息，如“我祝你们生日越来越好”，输入信息还包括用户历史标签，如“购入一个内损坏，反复报修”，然后分别输入至对应提取网络，以使得提取网络能够对文本特征和标签特征进行提取，将提取后的特征输入至对应的句子嵌入网络和用户标签嵌入网络，进一步进入模型层得到预测情绪分值y
i
，并基于目标情绪分值y
i
对上述模型进行训练，使得最终预测情绪分值与目标情绪分值接近。在训练过程中为了能够使得预测情绪分值趋近于目标情绪分值，会不断调整训练过程中的模型参数，如对模型层、提取网络中的相关参数进行调整。
88.具体的，训练样本是用户对应的文本、属性标签以及标注的用户情绪分值，其中，标注的用户情绪分值为目标情绪分值。将对应的样本信息中的文本、属性标签和目标情绪分值进行构建，得到输入特征序列。在图2中以一个训练样本为例进行说明，将“我祝你们生意越来越好”作为文本特征输入到提取网络中，将“购入一个月内损坏，反复报修”作为用户属性标签输入到与之对应的提取网络中，通过提取网络进行提取可以得到对应的相关性预测特征，然后将语义特征输入到对应模型层，如输入到全连接网络层，得到该全连接网络层预测出的该训练样本标注的用户情绪分值与文本、属性标签之间的预测相关性，进而可以根据预测相关性和实际相关性确定对应的损失函数值，基于损失函数值调整各个模型层的权重参数，以使得最终的预测情绪分值yi，与目标情绪分值yi相同或相近。
89.需要说明的是，在本技术实施例中情感预测模型的构建的重点是样本信息的选取，即不仅包括目标对象关联的文本信息，还包括与目标对象相匹配的属性标签，其中，属性标签还可以基于不同的应用场景或者情感预测需求进行选取，如，在用户针对产品进行评价的情感识别场景中，用户属性标签可以选择与该产品对应的属性标签，具体的，可以包括用户评价标签、兴趣产品标签、评价文本聚类标签等。又如，在用户针对新产品的反馈情感识别场景中，用户属性标签可以包括用户特征标签(如用户是否为新用户)、用户、用户等待新产品的兴趣标签、用户使用时间标签等。可见，在本技术实施例中模型训练过程中并不是单单地依靠文本信息作为训练样本，还需要将与文本信息对应的用户关联的属性标签作为了训练样本的一部分，使得输出的用户状态(如用户情感)能够与用户自身和当前场景更加匹配。
90.基于上述情感预测模型进行处理，若用户输入的文本信息为“我祝你们生意越来越好”，通过文本识别将其识别为正面评价，在本技术实施例中通过加入用户历史标签数据，结合两者训练模型，可纠正结果为负面评价。这样可以识别出“反讽”等话语中的用户的实际情绪。
91.通常的用户情感识别都是在纯文本层面上进行语义理解和建模，即首先对用户说的每句话进行文本特征表示，通过word2vec、elmo、bert等算法获取token embedding或sentence embedding，再经过训练神经网络，得到情感极性和情感分值预测结果。在本技术实施例在文本特征以外，额外补充了用户的历史属性标签，如历史服务标签，例如，重复维修(1个月内重复维修、3个月内重复维修、半年内重复维修)，新购机故障(1个月内新购机故
障，3个月内新购机故障，半年内新购机故障)，历史差评(1个月内有差评、3个月内有差评，半年内有差评)，历史投诉(1个月内有差评、3个月内有差评，半年内有差评)，以及年龄、性别、客户职业等人口统计学特征，将这些特征通过extractor net向量化处理后(如图2中用户标签嵌入网络)一并送入神经网络中训练，补充了文本以外的特征信息，提升了个性化用户情感分析的准确率。
92.举例说明，参见图3，为本技术实施例提供的一种应用场景的示意图。在智能客服的应用场景中，线上服务接入用户a的用户属性标签包括女性、30
‑
40岁、记者、3个月内新购机故障、1个月内有投诉、上一次咨询情感分为0.83(分值范围0
‑
5分，分值越低代表情感越差)。
93.用户a与智能客户经过短暂的问题阐述后失去耐心，没有继续交流下去的意愿，并且用户a最后输入的文本为“你们的服务真是太棒了，祝你们生意越来越好”。该输入文本内容并没有出现明显的负面情感，当使用文本层面的特征来构建情感分析模型时，结合上下文文本信息也难以获得这种负面情感。通过调整训练样本集的样本的效果并不明显，最终模型预测结果为正面情绪。但是，通过本技术实施例，在文本特征以外，结合用户历史服务标签和用户属性标签训练模型，最终识别到用户处于明显的负面情绪，提升了这种情况的情感准确识别。此外，还可以在识别到用户处于这种情绪状态下，进一步优先处理该用户的咨询请求，也可以减少用户负面情绪的进一步激化，提升了用户对智能客服系统的体验效果。
94.参见图4，为本技术实施例二提供的一种信息识别装置的结构示意图，本实施例中技术方案主要用于提高对用户状态的识别准确率。
95.具体的，本实施例中的装置可以包括以下单元：
96.第一获取单元401，用于获取与目标对象关联的目标文本信息；
97.识别单元402，用于对所述目标文本信息进行识别，得到与所述目标对象匹配的初始状态信息；
98.第二获取单元403，用于获取所述目标对象的属性标签；
99.校准单元404，用于基于所述属性标签对所述初始状态信息进行校准，得到所述目标对象的目标状态信息。
100.从上述技术方案可以看出，本技术实施例二公开了一种信息识别装置，获取与目标对象关联的目标文本信息；对目标文本信息进行识别，得到与目标对象匹配的初始状态信息；获取目标对象的属性标签；基于属性标签对初始状态信息进行校准，得到目标对象的目标状态信息。实现了基于对象的属性标签对文本信息的识别结果的校准，使得识别结果更加准确，提升了用户的体验效果。
101.在一种实现方式中，第一获取单元401包括：
102.第一确定子单元，用于若所述目标对象输入的文本信息满足输入位置条件，将所述文本信息确定为目标文本信息；
103.或者；
104.第二确定子单元，用于响应于生成的与所述目标对象匹配的文本信息对应的反馈信息不满足目标条件，将所述文本信息确定为目标文本信息。
105.可选地，第二获取单元403包括：
106.第一获取子单元，用于获取与所述目标对象相匹配的分析辅助数据；
107.第三确定子单元，用于根据所述分析辅助数据，确定目标对象的属性标签。
108.在一种实施方式中，校准单元404包括：
109.检测子单元，用于检测所述初始状态信息是否与所述属性标签对应的目标对象的状态相匹配；
110.校准子单元，用于如果否，基于所述属性标签对所述初始状态信息进行校准，得到所述目标对象的状态信息。
111.可选地，校准单元404具体用于包括：
112.将所述属性标签和所述初始状态信息输入至目标识别模型，获得所述目标对象的目标状态信息，所述目标识别模型是基于训练样本训练得到的神经网络模型，所述训练样本包括基于文本识别获得的目标对象的状态信息、目标对象的属性标签，以及标注的目标对象的目标状态信息。
113.可选地，所述装置还包括：
114.更新单元，用于基于所述目标状态信息，对所述目标对象的属性标签进行更新，得到更新后的属性标签。
115.进一步地，所述装置还包括：
116.参数确定单元，用于确定与所述目标状态信息相匹配的处理参数；
117.处理单元，用于基于所述处理参数对所述目标文本信息进行处理，得到处理结果。
118.可选地，所述参数确定单元具体用于：
119.获取所述目标对象对应的初始处理参数，所述初始处理参数为与所述目标对象的属性标签相匹配的处理参数；
120.基于所述目标状态信息和所述初始处理参数进行计算，得到与所述目标状态信息相匹配的处理参数。
121.需要说明的是，本实施例中各单元的及具体实现可以参考前文中的相应内容，此处不再详述。
122.参见图5，为本技术实施例三提供的一种电子设备的结构示意图，本实施例的技术方案主要用于提高对用户状态识别的准确度。
123.具体的，本实施例中的电子设备可以包括以下结构：
124.存储器501，用于存储应用程序和所述应用程序运行所产生的数据；
125.处理器502，用于执行所述应用程序，以实现：
126.获取与目标对象关联的目标文本信息；
127.对所述目标文本信息进行识别，得到与所述目标对象匹配的初始状态信息；
128.获取所述目标对象的属性标签；
129.基于所述属性标签对所述初始状态信息进行校准，得到所述目标对象的目标状态信息。
130.从上述技术方案可以看出，本技术实施例三公开了的一种电子设备，获取与目标对象关联的目标文本信息；对目标文本信息进行识别，得到与目标对象匹配的初始状态信息；获取目标对象的属性标签；基于属性标签对初始状态信息进行校准，得到目标对象的目标状态信息。实现了基于对象的属性标签对文本信息的识别结果的校准，使得识别结果更
加准确，提升了用户的体验效果。
131.需要说明的是，本实施例中处理器的具体实现可以参考前文中的相应内容，此处不再详述。
132.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
133.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
134.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、或技术领域内所公知的任意其它形式的存储介质中。
135.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。