一种信息处理装置、方法、终端设备及存储介质与流程

1.本技术属于数据处理技术领域，尤其涉及一种信息处理装置、方法、终端设备及存储介质。


背景技术：

2.随着城市生活节奏的变快，人们的精神压力越来越大，随之而来心理疾病越来越多，其中，抑郁症就是常见的心理疾病之一。抑郁症患者情绪长时间地低落消沉，从一开始的闷闷不乐到最后的悲痛欲绝，极大的危害了人们的健康。
3.目前，常用心理评估法对测试者进行心理评估，以确定测试者的心理状态。心理评估法是通过问答的形式对测试者进行心理评估。在对测试者进行心理评估时，需要人为的根据测试者对问题做出的回答判断测试者的心理状态，评估结果带有主观性，评估结果存在误差，检测结果不准确。


技术实现要素：

4.本技术实施例提供了一种信息处理装置、方法、终端设备及存储介质，可以解决对测试者心理状态的检测不准确的问题。
5.第一方面，本技术实施例提供了一种信息处理装置，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程序，所述处理器用于执行如下步骤：
6.获取检测信息，其中，所述检测信息包括用于检测心理状态的问题信息和测试者对所述问题信息中的问题的回答信息；
7.根据所述问题信息，确定所述问题信息对应的期望实体关系信息；
8.提取所述回答信息中的实际实体关系信息；
9.基于所述期望实体关系信息和所述实际实体关系信息，确定所述测试者的测试结果。第二方面，本技术实施例提供了一种信息处理方法，包括：
10.获取检测信息，其中，所述检测信息包括用于检测心理状态的问题信息和测试者对所述问题信息中的问题的回答信息；
11.根据所述问题信息，确定所述问题信息对应的期望实体关系信息；
12.提取所述回答信息中的实际实体关系信息；
13.基于所述期望实体关系信息和所述实际实体关系信息，确定所述测试者的测试结果。
14.第三方面，本技术实施例提供了一种信息处理装置，包括：
15.信息获取模块，用于获取检测信息，其中，所述检测信息包括用于检测心理状态的问题信息和测试者对所述问题信息中的问题的回答信息；
16.第一信息确定模块，用于根据所述问题信息，确定所述问题信息对应的期望实体关系信息；
17.第二信息确定模块，用于提取所述回答信息中的实际实体关系信息；
18.结果输出模块，用于基于所述期望实体关系信息和所述实际实体关系信息，确定所述测试者的测试结果。
19.第四方面，本技术实施例提供了一种终端设备，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程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的信息处理方法。
20.第五方面，本技术实施例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程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的信息处理方法。
21.第六方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的信息处理方法。
22.本技术第一方面实施例与现有技术相比存在的有益效果是：本技术先获取用于检测心理状态的问题信息和测试者对所述问题信息中的问题的回答信息，然后提取问题信息的期望实体关系信息和回答信息中的实际实体关系信息，最后根据期望实体关系信息和实际实体关系信息确定测试者的测试结果。相对于现有技术需要人为进行评估测试者心理状态的方法；本技术不用人为的进行评估，通过抽取问题信息的期望实体关系信息和回答信息中的实际实体关系信息，利用期望实体关系信息和实际实体关系信息即可自动得到评估结果，本技术不用人为的介入，减少了人为评估的主观性，使评估结果更客观、更准确。
23.可以理解的是，上述第二方面至第六方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
24.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技术的一些实施例，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他的附图。
25.图1是本技术一实施例提供的信息处理方法的应用场景示意图；
26.图2是本技术一实施例提供的信息处理方法的流程示意图；
27.图3是本技术一实施例提供的实体关系提取模型的结构示意图；
28.图4是本技术一实施例提供的问题信息对应的第一图谱的确定方法的流程示意图；
29.图5是本技术一实施例提供的文本特征信息的提取方法的流程示意图；
30.图6是本技术一实施例提供的语音提取模型的结构示意图；
31.图7是本技术一实施例提供的语音特征信息的提取方法的流程示意图；
32.图8是本技术一实施例提供的信息处理装置的结构示意图；
33.图9是本技术一实施例提供的终端设备的结构示意图。
具体实施方式
34.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、
步骤、操作、元素、组件和/或其集合的存在或添加。
35.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当
……
时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0036]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0037]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
[0038]
目前心理状态的检测形式多为问答形式，例如，抑郁的检测。医生设定话题，在问答过程中，通过测试者的语言信息判断测试者的心理状态，具有极大的主观判断色彩。心理状态可以包括焦虑、抑郁、忧伤、轻松等。为了便于说明，本技术心理状态的评估以抑郁的评估进行说明，但是抑郁并不对本技术的心理状态造成限制。
[0039]
基于上述原因，本技术提出一种信息处理方法，通过抽取的问答过程中的实体关系结构，确定测试者的心理状态，例如，确定测试者抑郁的概率等。本技术不用人为的判断，避免了人为干预对判断结果造成的影响，使检测的结果更客观、更准确。
[0040]
图1为本技术实施例提供的信息处理方法的应用场景示意图，上述信息处理方法可以用于对心理状态进行检测。其中，信息收集设备10用于收集检测信息，检测信息包括用于检测抑郁症的问题信息和测试者对所述问题信息中的问题的回答信息。检测设备20用于从信息收集设备10中获取检测信息，并从检测信息中提取实体关系，根据提取的实体关系确定测试者心理状态为抑郁的概率值。
[0041]
以下结合图1对本技术实施例的信息处理方法进行详细说明，本技术的方法可以在检测设备20中实现。
[0042]
图2示出了本技术提供的信息处理方法的示意性流程图，参照图2，对该方法的详述如下：
[0043]
s101，获取检测信息，其中，所述检测信息包括用于检测心理状态的问题信息和测试者对所述问题信息中的问题的回答信息。
[0044]
在本实施例中，心理状态的问题信息可以包括检测抑郁的问题、检测焦虑的问题、检测忧伤的问题等中的至少一类问题。问题信息为检测心理状态需要提问的问题，例如，你的爱好是什么；你是否经常感到沮丧、你觉得自己属于什么性格等。检测信息可以是语音信息，还可以是文字形式的文本信息。语音信息可以从录音设备中获得，在医生和测试者进行对话时，用录音设备采集对话内容。录音设备可以是录音机、摄像机等。文本信息可以从终端设备中获得，终端设备可以是手机、电脑等。终端设备中可以存储问题信息，测试者通过终端设备输入回答信息。另外，问题信息如果是纸质版的，测试者在纸质版的问题信息中完成作答，然后利用终端设备采集纸质版的问题信息的图像信息，检测信息为问题信息的图像信息。
[0045]
s102，根据所述问题信息，确定所述问题信息对应的期望实体关系信息。
[0046]
在本实施例中，利用实体关系提取模型提取问题信息中的期望实体关系信息。期望实体关系信息表征对问题信息所期望测试者回答的信息的实体关系结构。
[0047]
作为举例，如图3所示，实体关系提取模型包括n个处理模块，每个处理模块包括第一多头注意力机制模型(multi-head self attention)、第一维度归一化模型(res layer norm)、第一前馈神经网络(feed forward)和第二维度归一化模型(res layer norm)。第一多头注意力机制模型用于对问题信息进行文本特征提取，得到文本特征信息。第一维度归一化模型用于对第一多头注意力机制模型得到的文本特征信息进行归一化处理，得到处理后的文本特征信息。第一前馈神经网络将第一维度归一化模型得到的处理后的文本特征信息进行分类，得到实体信息和关系信息。第二维度归一化模型将实体信息和关系信息进行归一化处理，得到期望实体关系信息。
[0048]
作为举例，若问题信息为“你的爱好是什么”，问题信息对应的期望实体关系信息包括“实体：人物(我)；实体：活动(x)；关系：(爱好)”。
[0049]
s103，提取所述回答信息中的实际实体关系信息。
[0050]
在本实施例中，实际实体关系信息的提取方法与上述步骤s102中期望实体关系信息的提取方法相同，请参照上述步骤s102的说明，在此不再赘述。
[0051]
实际实体关系信息表征测试者针对问题信息实际回答的信息中的实体关系结构。
[0052]
作为举例，若回答信息为“我喜欢坐火车旅行”，则实际实体关系信息包括“实体：人物(我)；实体：活动的子属性(乘火车旅行)；关系：(爱好)”。
[0053]
s104，基于所述期望实体关系信息和所述实际实体关系信息，确定所述测试者的心理状态的测试结果。
[0054]
在本实施例中，计算期望实体关系信息和实际实体关系信息的相似度，根据相似度确定测试者的测试结果，例如，测试结果为抑郁的概率、焦虑的概率等。
[0055]
作为举例，若问题信息为“你的爱好是什么”，问题信息对应的期望实体关系信息包括“实体：人物(我)；实体：活动(x)；关系：(爱好)”。
[0056]
回答信息为“我喜欢坐火车旅行”，则实际实体关系信息包括“实体：人物 (我)；实体：活动的子属性(乘火车旅行)；关系：(爱好)”。
[0057]
上述问题信息所期望回答是“我的爱好是旅行”，而测试者并没有正面回答问题，而是回答“我喜欢坐火车旅行”。期望实体关系信息和实际实体关系信息的相似度较低。
[0058]
本技术实施例，先获取用于检测心理状态的问题信息和测试者对所述问题信息中的问题的回答信息，然后提取问题信息的期望实体关系信息和回答信息中的实际实体关系信息，最后根据期望实体关系信息和实际实体关系信息确定测试者的测试结果。相对于现有技术需要人为进行评估测试者心理状态的方法使心理状态评估不准确的问题；本技术不用人为的进行评估，通过抽取问题信息的期望实体关系信息和回答信息中的实际实体关系信息，通过期望实体关系信息和实际实体关系信息即可自动得到评估结果，本技术不用人为的介入，减少了人为评估的主观性，使评估结果更客观、更准确。
[0059]
在一种可能的实现方式中，步骤s102的实现过程可以包括：
[0060]
s1021，获取所述问题信息中的词文本。
[0061]
在本实施例中，若问题信息为语音信息，先将语音信息转换成文本信息。具体的，
采用asr技术(automatic speech recognition，自动语音识别技术) 将语音信息转换成文本信息。然后对文本信息进行分词处理，得到词文本。
[0062]
若问题信息为文本信息，则可以直接对文本信息进行分词处理，得到词文本。
[0063]
词文本也可以记为关键词文本。
[0064]
s1022，基于所述问题信息中的词文本，确定所述问题信息对应的期望实体关键词和所述期望实体关键词对应的关系关键词，所述期望实体关系信息包括所述期望实体关键词和所述期望实体关键词对应的关系关键词。
[0065]
在本实施例中，利用词性、模板或神经网络模型确定问题信息对应的期望实体关键词和期望实体关键词对应的关系关键词。
[0066]
具体的，将同一问题信息的词文本分成一组，每组词文本对应一组期望实体关系信息。
[0067]
作为举例，将所有的词文本和问题信息输入至神经网络模型，得到问题信息对应的期望实体关键词和期望实体关键词对应的关系关键词。或者将一组词文本输入至神经网络模型，得到该组词文本对应的期望实体关键词和期望实体关键词对应的关系关键词。
[0068]
作为举例，若问题信息为“你的爱好是什么”，模板中存储爱好对应的实体包括人物、活动等，因此，问题信息对应的期望实体关键词包括“实体：人物 (我)；实体：活动(x)”。期望实体关键词对应的关系关键词为“关系：(爱好)”。
[0069]
本技术实施例中，根据词文本确定期望实体关键词和期望实体关键词对应的关系关键词，可以准确且快速的确定问题信息中的期望实体关系信息。
[0070]
在一种可能的实现方式中，实际实体关系信息的获得方法与期望实体关系信息的获得方法相同，请参照上述步骤s1021至步骤s1022，在此不再赘述。
[0071]
在一种可能的实现方式中，期望实体关系信息和实际实体关系信息还可以以知识图谱的形式存在，下面以期望实体关系信息的知识图谱的获得方法进行说明，实际实体关系信息的知识图谱的获得方法与期望实体关系信息的知识图谱的获得方法相同。
[0072]
如图4所示，具体的，在步骤s1022之后，上述方法还可以包括：
[0073]
s201，提取所述检测信息中问答的话题类型。
[0074]
在本实施例中，将检测信息、检测信息的词文本和分组后的词文本中的至少一种输入至意图识别模型中得到话题类型。意图识别模型可以为神经网络模型等。
[0075]
话题类型可以包括爱好、自我认知、情绪、失眠等。问题信息中每个问题对应一个话题类型。
[0076]
s202，在预设的知识图谱中确定与所述话题类型相关的子图谱。
[0077]
在本实施例中，预设的知识图谱可以是从数据库中获得的。知识图谱是结构化的语义知识库，用于迅速描述各个事物的概念及其相互关系。知识图谱对无结构的数据通过进一步处理和整合，转化成“实体-关系-实体”的三元组结构形式。通俗地讲，知识图谱就是把所有不同种类的信息(heterogeneousinformation)连接在一起而得到的一个关系网络。
[0078]
具体的，知识图谱包括节点和边，节点表示现实世界中存在的实体。每条边为实体与实体之间的关系。
[0079]
提取知识图谱中与话题类型相关的节点，提取出的节点和节点之间的边组成子图
谱，利用子图谱可以确定实体关系范围，缩小了问题信息的知识图谱的建立时的搜索范围，使问题信息的知识图谱的建立更简单快速。
[0080]
s203，将所述期望实体关键词和所述期望实体关键词对应的关系关键词映射到所述子图谱中，得到所述问题信息对应的第一图谱，所述期望实体关系信息包括所述第一图谱。
[0081]
在本实施例中，在得到子图谱后，将期望实体关键词和对应的关系关键词映射到子图谱中，可以快速得到问题信息对应的知识图谱，利用知识图谱的形式展示期望实体关系信息更直观、更简单。
[0082]
在一种可能的实现方式中，步骤s104的实现过程可以包括：
[0083]
s1041，计算所述期望实体关系信息和所述实际实体关系信息之间的匹配度，得到所述检测信息中的实体关系特征信息。
[0084]
在本实施例中，计算期望实体关系信息和实际实体关系信息的相似度，相似度为匹配度。
[0085]
或者，在期望实体关系信息为第一图谱，实际实体关系信息为第二图谱时，计算第一图谱和第二图谱之间的距离，得到匹配度。
[0086]
在本实施例中，所有的期望实体关系信息和实际实体关系信息进行匹配后，得到一个总的匹配度，总的匹配度为实体关系特征信息。或者，每个期望实体关系信息和对应的实际实体关系信息进行匹配后，得到一个匹配度，所有的匹配度组成实体关系特征信息。
[0087]
s1042，基于所述实体关系特征信息，确定所述测试结果。
[0088]
具体的，确定实体关系特征信息所在的特征区间，实体关系特征信息所在的特征区间对应的心理状态及概率值为测试者为该心理状态的概率。每个特征区间对应至少一个心理状态和各心理状态对应的概率值。
[0089]
作为举例，若实际关系特征信息的匹配度为40％，40％所在的特征区间对应的概率值为53％、心理状态为抑郁，则测试者为抑郁的概率为53％。
[0090]
在实际应用中，若实体关系特征信息由多个匹配度组成，可以将实体关系特征信息输入至神经网络判别模型中，得到测试者的测试结果。
[0091]
在一种可能的实现方式中，除了使用实体关系特征信息判断测试者的心理状态之外，还可以使用实体关系特征信息和文本特征向量共同确定测试者的心理状态。文本特征向量可以通过文本特征提取模型获得。文本特征提取模型包括m个数据处理单元和与最后一个数据处理单元连接的全连接层，数据处理单元包括第二多头注意力机制模型(multi-head self attention)、第三维度归一化模型(res layer norm)、第二前馈神经网络(feed forward)和第四维度归一化模型(res layer norm)。第二多头注意力机制模型用于对检测信息进行文本特征提取，得到文本特征数据。第三维度归一化模型用于对第二多头注意力机制模型得到的文本特征数据进行归一化处理，得到处理后的文本特征数据。第二前馈神经网络将第三维度归一化模型得到的处理后的文本特征数据进行上下文嵌入(或者字嵌入、句嵌入)，得到包含上下文语义信息的文本特征数据。第四维度归一化模型将包含上下文语义信息的文本特征数据进行归一化处理，得到文本特征数据。全连接层对文本特征数据进行归一化处理后得到文本特征向量。
[0092]
如图5所示，具体的，在步骤s104之前，上述方法还可以包括：
[0093]
s301，获取所述检测信息中的词文本。
[0094]
在本实施例中，本步骤请参照上述步骤s1021的内容，在此不再赘述。
[0095]
s302，对所述词文本进行特征提取，得到所述词文本的语义表征序列。
[0096]
在本实施例中，利用bert(bidirectional encoder representation fromtransformers)，gpt3等预训练的语言模型，对词文本进行特征提取，得到语义表征序列。
[0097]
s303，基于所述语义表征序列，得到所述检测信息的文本特征向量。
[0098]
在本实施例中，lstm(long short-term memory，长短期记忆人工神经网络)或transformer模型等，将时间维度不定长的语义表征序列映射到定长的向量空间，得到文本特征向量。
[0099]
相应的，步骤s104具体可以包括：
[0100]
基于所述实体关系特征信息和所述文本特征向量，确定所述测试者的心理状态的测试结果。
[0101]
在本实施例中，将实体关系特征信息和文本特征向量进行融合，得到第一融合数据，利用第一融合数据确定测试者的测试结果。
[0102]
在本实施例中，分别为实体关系特征信息和所述文本特征向量赋予权重值，得到处理后的实体关系特征信息和处理后的文本特征向量。赋予实体关系特征信息和文本特征向量的权重值可以是预先设置好的。还可以是将实体关系特征信息和所述文本特征向量输入自注意力模型得到处理后的实体关系特征信息和处理后的文本特征向量。自注意力模型可以从大量输入信息里面选择小部分的有用信息来重点处理，并忽略其他信息。
[0103]
将处理后的实体关系特征信息和处理后的文本特征向量进行数据融合，得到融合数据。根据融合数据确定测试者的测试结果。具体的，将融合数据输入至分类模型，得到测试者的测试结果。
[0104]
本技术实施例中，确定检测信息的文本特征向量，并根据实体关系特征信息和所述文本特征向量，确定所述测试者的测试结果。相对于仅使用实体关系特征信息确定测试者的测试结果，使用两种数据确定测试结果，得到的判定结果更准确。
[0105]
在一种可能的实现方式中，若检测信息为语音信息，还可以提取语音信息的语音特征向量，根据语音特征向量确定测试者的测试结果。
[0106]
在实际使用中，可以利用实体关系特征信息和语音特征向量，确定测试结果。利用实体关系特征信息和语音特征向量，确定所述测试者的测试结果的过程与上述基于所述实体关系特征信息和所述文本特征向量，确定所述测试者的测试结果相似，请参照上述基于所述实体关系特征信息和所述文本特征向量，确定所述测试者的测试结果的过程，在此不再赘述。
[0107]
或者，根据实体关系特征信息、所述文本特征向量和所述语音特征向量，确定所述测试者的测试结果。
[0108]
具体的，如图6所示，将语音信息转换成梅尔频谱图，然后将梅尔频谱图输入语音提取模型，得到语义特征向量。语音提取模型包括时域卷积层、全局时域池化层和全连接层。将梅尔频谱图输入时域卷积层，进行语音特征提取，得到语音特征数据。将提取的语音特征数据输入全局时域池化层进行降维处理，得到降维后的语音特征数据。将降维后的语音特征数据输入全连接层进行归一化处理，得到语音特征向量。
[0109]
如图7所示，具体的，在步骤s104之前，上述方法还可以包括：
[0110]
s401，对所述检测信息进行分帧处理，得到帧文本。
[0111]
在本实施例中，利用卷积神经网络(convolutional neural network，cnn) 对检测信息进行分帧处理，得到帧文本。
[0112]
s402，提取所述帧文本的语音特征，得到所述帧文本的特征序列。
[0113]
在本实施例中，语音特征可以包括梅尔倒谱系数、梅尔频谱、频域特征、基频、静音时长等声学特征。
[0114]
s403，基于所述帧文本的特征序列，得到所述检测信息的语音特征向量。
[0115]
在本实施例中，lstm或池化网络等，将时间维度不定长的帧文本的特征序列映射到定长的向量空间，得到语音特征向量。
[0116]
相应的，步骤s104具体可以包括：
[0117]
基于所述实体关系特征信息、所述文本特征向量和所述语音特征向量，确定所述测试者的测试结果。
[0118]
具体的，将实体关系特征信息、所述文本特征向量和所述语音特征向量进行融合，得到第二融合数据。利用第二融合数据确定测试者的测试结果。
[0119]
具体的，为所述实体关系特征信息赋予第一权重值，得到第一信息；为所述文本特征向量赋予第二权重值，得到第二信息；为所述语音特征向量赋予第三权重值，得到第三信息；将所述第一信息、所述第二信息和所述第三信息进行融合，得到融合特征向量；对所述融合特征向量进行分类，得到所述测试者的测试结果。
[0120]
在本实施例中，第一信息、第二信息和第三信息可以是将实体关系特征信息、所述文本特征向量和所述语音特征向量输入自注意力模型中，分别对实体关系特征信息、所述文本特征向量和所述语音特征向量赋予权值后得到的。
[0121]
在本实施例中，第一权重值、第二权重值和第三权重值还可以是预先存储的。
[0122]
在本实施例中，将融合特征向量输入至二分类器中，得到测试者的测试结果，例如，确定测试者的心理状态为抑郁的概率。
[0123]
本技术实施例中，确定检测信息的语音特征向量，并根据实体关系特征信息、文本特征向量和语音特征向量，确定测试结果。相对于仅使用实体关系特征信息确定测试结果，使用三种数据确定测试结果，得到的判定结果更准确。
[0124]
在一种可能的实现方式中，在检测信息为语音信息时，上述方法还可以包括：
[0125]
s501，对所述检测信息进行分帧处理，得到帧文本。
[0126]
s502，提取所述帧文本的语音特征，得到所述帧文本的特征序列。
[0127]
s503，基于所述帧文本的特征序列，得到所述检测信息的语音特征向量。
[0128]
s504，将检测信息转换成文本信息，并提取文本信息中的词文本。
[0129]
s505，对所述词文本进行特征提取，得到所述词文本的语义表征序列。
[0130]
s506，基于所述语义表征序列，得到所述检测信息的文本特征向量。
[0131]
s507，根据词文本，确定问题信息对应的期望实体关系信息，以及回答信息中的实际实体关系信息。
[0132]
s508，计算所述期望实体关系信息和所述实际实体关系信息之间的匹配度，得到所述检测信息中的实体关系特征信息。
[0133]
s509，将实体关系特征信息、所述文本特征向量和所述语音特征向量输入自注意力模型中，分别对实体关系特征信息、所述文本特征向量和所述语音特征向量赋予权值，实体关系特征信息对应的第一信息、文本特征向量对应的第二信息、语音特征向量对应的第三信息。
[0134]
s510，将所述第一信息、所述第二信息和所述第三信息进行融合，得到融合特征向量。
[0135]
s511，将融合特征向量输入至二分类器中，得到测试者的心理状态的测试结果，例如，确定测试者为抑郁的概率。
[0136]
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，而不应对本技术实施例的实施过程构成任何限定。
[0137]
对应于上文实施例所述的信息处理方法，图8示出了本技术实施例提供的信息处理装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0138]
参照图8，该装置600可以包括：信息获取模块610、第一信息确定模块 620、第二信息确定模块630和结果输出模块640。
[0139]
其中，信息获取模块610，用于获取检测信息，其中，所述检测信息包括用于检测心理状态的问题信息和测试者对所述问题信息中的问题的回答信息；
[0140]
第一信息确定模块620，用于根据所述问题信息，确定所述问题信息对应的期望实体关系信息；
[0141]
第二信息确定模块630，用于提取所述回答信息中的实际实体关系信息；
[0142]
结果输出模块640，用于基于所述期望实体关系信息和所述实际实体关系信息，确定所述测试者的心理状态的测试结果。
[0143]
在一种可能的实现方式中，第一信息确定模块620具体可以用于：
[0144]
获取所述问题信息中的词文本；
[0145]
基于所述问题信息中的词文本，确定所述问题信息对应的期望实体关键词和所述期望实体关键词对应的关系关键词，所述期望实体关系信息包括所述期望实体关键词和所述期望实体关键词对应的关系关键词。
[0146]
在一种可能的实现方式中，第一信息确定模块620具体还可以用于：
[0147]
提取所述检测信息中问答的话题类型；
[0148]
在预设的知识图谱中确定与所述话题类型相关的子图谱；
[0149]
将所述期望实体关键词和所述期望实体关键词对应的关系关键词映射到所述子图谱中，得到所述问题信息对应的第一图谱，所述期望实体关系信息包括所述第一图谱。
[0150]
在一种可能的实现方式中，结果输出模块640具体可以用于：
[0151]
计算所述期望实体关系信息和所述实际实体关系信息之间的匹配度，得到所述检测信息中的实体关系特征信息；
[0152]
基于所述实体关系特征信息，确定所述测试者的心理状态的测试结果。
[0153]
在一种可能的实现方式中，与结果输出模块640相连的还包括：
[0154]
词文本获取模块，用于获取所述检测信息中的词文本；
[0155]
语义序列确定模块，用于对所述词文本进行特征提取，得到所述词文本的语义表
征序列；
[0156]
文本特征确定模块，用于基于所述语义表征序列，得到所述检测信息的文本特征向量；
[0157]
相应的，结果输出模块640具体还可以用于：
[0158]
基于所述实体关系特征信息和所述文本特征向量，确定所述测试者的心理状态的测试结果。
[0159]
在一种可能的实现方式中，与结果输出模块640相连的还包括：
[0160]
帧文本提取模块，用于对所述检测信息进行分帧处理，得到帧文本；
[0161]
帧序列确定模块，用于提取所述帧文本的语音特征，得到所述帧文本的特征序列；
[0162]
语音特征确定模块，用于基于所述帧文本的特征序列，得到所述检测信息的语音特征向量；
[0163]
相应的，结果输出模块640具体还可以用于：
[0164]
基于所述实体关系特征信息、所述文本特征向量和所述语音特征向量，确定所述测试者的心理状态的测试结果。
[0165]
在一种可能的实现方式中，结果输出模块640具体还可以用于：
[0166]
为所述实体关系特征信息赋予第一权重值，得到第一信息；
[0167]
为所述文本特征向量赋予第二权重值，得到第二信息；
[0168]
为所述语音特征向量赋予第三权重值，得到第三信息；
[0169]
将所述第一信息、所述第二信息和所述第三信息进行融合，得到融合特征向量；
[0170]
对所述融合特征向量进行分类，得到所述测试者的心理状态的测试结果。
[0171]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0172]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0173]
本技术实施例还提供了一种信息处理装置，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程序，所述处理器用于执行上述信息处理方法中的步骤。本技术实施例还提供了一种终端设备，参见图9，该终端设备700可以包括：至少一个处理器710、存储器720以及存储在所述存储器720中并可在所述至少一个处理器710上运行的计算机程序，所述处理器710执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图 2所示实施例中的步骤s101至步骤s104。或者，处理器710执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图8所示信息获取模块610至结果输出模块640的功能。
[0174]
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器720中，并由处理器710执行，以完成本技术。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程序段，该程序段用于描述计算机程序在终端设备700中的执行过程。
[0175]
本领域技术人员可以理解，图9仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
[0176]
处理器710可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列 (field-programmable gate array，fpga)或者其他可编程逻辑器件、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。
[0177]
存储器720可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(smart media card，smc)，安全数字 (secure digital，sd)卡，闪存卡(flash card)等。所述存储器720用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器720还可以用于暂时地存储已经输出或者将要输出的数据。
[0178]
总线可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component，pci)总线或扩展工业标准体系结构 (extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本技术附图中的总线并不限定仅有一根总线或一种类型的总线。
[0179]
本技术实施例提供的信息处理方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，pda)等终端设备上，本技术实施例对终端设备的具体类型不作任何限制。
[0180]
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。
[0181]
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。
[0182]
在本技术所提供的实施例中，应该理解到，所揭露的终端设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0183]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0184]
另外，在本技术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。
[0185]
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取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被一个或多个处理器执行时，可实现上述各个方法实施例的步骤。
[0186]
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取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被一个或多个处理器执行时，可实现上述各个方法实施例的步骤。
[0187]
同样，作为一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
[0188]
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、 u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0189]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。