情绪识别技术在电力智能客服系统中的应用研究

发布时间：2021-01-28 22:07

　　为提升电力系统中智能客服系统的效率,降低人工成本,提出一种基于长短时记忆网络（Long Short-Term Memory,LSTM）的情绪识别方法。首先利用词嵌入（Word Embedding）方法提取出对话内容的特征表示,并根据先验知识添加情感特征,生成具有情绪语义的词向量。基于双向长短时记忆网络训练得到情绪分类模型,将问题解决的需求分为紧急、一般与非紧急三个级别,并可将分类结果用于优先级自动调度决策中,判断是否应立即接入人工服务。在真实的电力客服对话平台数据集上对算法在准确度和响应时间两个方面进行测试,实验结果表明,算法对情绪的识别准确率达到了较高的水平,且响应时间可以满足系统实时处理的需求,有较高的实用性。 

【文章来源】：电子器件. 2020,43(05)北大核心

【文章页数】：5 页

【部分图文】：

面向电力智能客服系统的情绪识别技术框架

本文使用具有情绪语义特征的词向量对对话内容进行表示,这既可以利用词嵌入技术的优势以反映内容本身高度的领域专业特征,又可以适应情绪识别这一特定任务的需求。2.2 BiLSTM模型

在大量实际场景中,LSTM神经元结构复杂,参数较多,训练时间长的问题限制了其实用性。针对这些问题,Cho等人[19]提出了关于LSTM的一种改进,即将LSTM神经元简化为如图3的结构,称为GRU(Gated Recurrent Unit)单元。如图3所示,GRU将LSTM神经元中的三个门减少到两个门,其中重置门相当于将遗忘门与输入门进行合并,用于判断是否进行遗忘。更新门的作用则相当于LSTM神经元中的输出门,用于决定是否将隐藏状态更新为新的状态。下列各式描述了 GRU单元的更新方式:

【参考文献】：
期刊论文
[1]基于隐马尔可夫模型的电力调度语音识别研究[J]. 鄢发齐,王春明,窦建中,刘阳,杨绪升,陈明.  武汉大学学报(工学版). 2018(10)
[2]机器人对话中的情感倾向性分类模型研究[J]. 陈振彬,谢博,黎树俊,陈珂.  广东石油化工学院学报. 2018(04)
[3]基于卷积神经网络的微博舆情情感分类研究[J]. 张海涛,王丹,徐海玲,孙思阳.  情报学报. 2018(07)
[4]英国电力辅助服务市场短期运行备用服务机制及启示[J]. 朱继忠,叶秋子,邹金,谢平平,禤培正.  电力系统自动化. 2018(17)
[5]基于时序数据库的电力运维系统关键技术研究[J]. 荣雪琴,刘勇,刘昊,卜树坡.  电测与仪表. 2018(09)
[6]计及输电线路舞动预测的电网短期风险评估[J]. 褚双伟,熊小伏,刘善峰,廖峥,王建.  电力系统保护与控制. 2018(09)
[7]电网调度自动化系统信息品质分析新方法及其应用[J]. 彭志强,张琦兵.  电力系统保护与控制. 2018(04)
[8]大数据网络平台的双模态情绪识别方法[J]. 李敬伟,马同伟.  计算机工程与设计. 2017(11)
[9]家庭智能用电管理系统软件设计[J]. 郑炜楠,陈柏熹,王德志,余涛.  电测与仪表. 2017(18)
[10]基于多注意力卷积神经网络的特定目标情感分析[J]. 梁斌,刘全,徐进,周倩,章鹏.  计算机研究与发展. 2017(08)

硕士论文
[1]基于语言模型和机器学习的文本情感分类研究[D]. 张奇.东南大学 2017



本文编号：3005776