本技術(shù)涉及人工智能開發(fā)與金融科技領(lǐng)域，尤其涉及基于人工智能的情感識別方法、裝置、計算機(jī)設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、情感智能是人工智能的一個研究方向，隨著人工智能的發(fā)展，情感智能使用人工智能技術(shù)來檢測語言和非語言信號，從語音變化到面部表情，可以識別、解讀和響應(yīng)更多人與人交流情感的渠道。從智能家居系統(tǒng)到汽車，從數(shù)字營銷到零售甚至是金融，情感智能廣泛地應(yīng)用于各個行業(yè)。例如，在金融科技領(lǐng)域的客服服務(wù)場景中，在能夠即時反饋用戶滿意度的即時情緒識別技術(shù)的輔助下，客服可以將情緒識別的實時結(jié)果加入到話術(shù)推薦模型的考慮范疇內(nèi)，在解決客戶疑問、指導(dǎo)客戶交易、提供售后服務(wù)等方面具有極高的必要性和實用性，可以有效提升金融領(lǐng)域中的服務(wù)效率和服務(wù)質(zhì)量。

2、對于客戶情感識別的處理，目前金融科技公司所使用的方法大多為基于深度學(xué)習(xí)的語音情感識別方法，此類方法首先從原始語音音頻中提取短時傅里葉變換頻譜或梅爾頻譜，之后再使用卷積神經(jīng)網(wǎng)絡(luò)等圖像處理常用模型進(jìn)行特征提取。然而，這種語音情感識別方法的性能較差導(dǎo)致識別效率較低，且語音情感的識別準(zhǔn)確率較低。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例的目的在于提出一種基于人工智能的情感識別方法、裝置、計算機(jī)設(shè)備及存儲介質(zhì)，以解決現(xiàn)有的金融科技公司所使用的方法基于深度學(xué)習(xí)的語音情感識別方法的性能較差導(dǎo)致識別效率較低，且語音情感的識別準(zhǔn)確率較低的技術(shù)問題。

2、為了解決上述技術(shù)問題，本技術(shù)實施例提供一種基于人工智能的情感識別方法，采用了如下所述的技術(shù)方案：

3、調(diào)用預(yù)先構(gòu)建的教師模型與學(xué)生模型；其中，所述教師模型包括第一語音信號特征提取器、第一門控循環(huán)單元、第二門控循環(huán)單元、預(yù)訓(xùn)練語言模型、第一投射層與第一預(yù)測層；所述學(xué)生模型包括第二語音信號特征提取器、第三門控循環(huán)單元、第二投射層與第二預(yù)測層；

4、獲取預(yù)先采集的語音數(shù)據(jù)，并對所述語音數(shù)據(jù)進(jìn)行預(yù)處理得到語音樣本數(shù)據(jù)；

5、基于所述語音樣本數(shù)據(jù)對所述教師模型進(jìn)行訓(xùn)練，獲取所述教師模型中的聯(lián)合嵌入與訓(xùn)練輸出，并基于所述訓(xùn)練輸出生成與所述教師模型對應(yīng)的第一損失；

6、基于所述語音樣本數(shù)據(jù)對所述學(xué)生模型進(jìn)行訓(xùn)練，獲取所述學(xué)生模型中的指定語音嵌入；

7、基于所述聯(lián)合嵌入與所述語音嵌入生成與所述學(xué)生模型對應(yīng)的第二損失；

8、基于所述第一損失與所述第二損失生成綜合損失；

9、基于所述綜合損失對所述學(xué)生模型進(jìn)行優(yōu)化處理，得到對應(yīng)的目標(biāo)情感識別模型；

10、基于所述目標(biāo)情感識別模型對用戶輸入的目標(biāo)語音數(shù)據(jù)進(jìn)行情感識別處理，生成與所述用戶對應(yīng)的情感識別結(jié)果。

11、進(jìn)一步的，所述基于所述語音樣本數(shù)據(jù)對所述教師模型進(jìn)行訓(xùn)練，獲取所述教師模型中的聯(lián)合嵌入與訓(xùn)練輸出的步驟，具體包括：

12、將所述語音樣本數(shù)據(jù)輸入至所述教師模型內(nèi)；

13、通過所述第一語音信號特征提取器對所述語音樣本數(shù)據(jù)進(jìn)行特征提取，得到對應(yīng)的第一語音特征；

14、通過所述第一門控循環(huán)單元對所述第一語音特征進(jìn)行處理，得到對應(yīng)的第一語音嵌入；

15、將所述語音樣本數(shù)據(jù)轉(zhuǎn)化為文本數(shù)據(jù)，并使用所述預(yù)訓(xùn)練語言模型對所述文本數(shù)據(jù)進(jìn)行編碼得到對應(yīng)的文本特征；

16、通過所述第二門控循環(huán)單元對所述文本特征進(jìn)行處理，得到對應(yīng)的文本嵌入；

17、對所述語音嵌入與所述文本嵌入進(jìn)行拼接處理，得到對應(yīng)的拼接嵌入；

18、通過所述第一投射層對所述拼接嵌入進(jìn)行投射處理，得到所述聯(lián)合嵌入；

19、通過所述第一預(yù)測層對所述聯(lián)合嵌入進(jìn)行預(yù)測處理，得到所述訓(xùn)練輸出。

20、進(jìn)一步的，所述基于所述訓(xùn)練輸出生成與所述教師模型對應(yīng)的第一損失的步驟，具體包括：

21、獲取與所述語音樣本數(shù)據(jù)對應(yīng)的情感標(biāo)簽；

22、基于所述訓(xùn)練輸出與所述情感標(biāo)簽生成一致性相關(guān)系數(shù)；

23、獲取與所述語音樣本數(shù)據(jù)對應(yīng)的情感維度數(shù)據(jù)；

24、確定與所述情感維度數(shù)據(jù)對應(yīng)的權(quán)重系數(shù)；

25、基于所述一致性相關(guān)系數(shù)與所述權(quán)重系數(shù)，生成與所述教師模型對應(yīng)的所述第一損失。

26、進(jìn)一步的，所述基于所述訓(xùn)練輸出與所述情感標(biāo)簽生成一致性相關(guān)系數(shù)的步驟，具體包括：

27、計算所述訓(xùn)練輸出與所述情感標(biāo)簽之間的協(xié)方差；

28、計算所述訓(xùn)練輸出的第一方差，以及計算所述情感標(biāo)簽的第二方差；

29、計算所述訓(xùn)練輸出的第一平均值，以及計算所述情感標(biāo)簽的第二平均值；

30、調(diào)用預(yù)設(shè)的計算公式對所述協(xié)方差、所述第一方差、所述第二方差、所述第一平均值以及所述第二平均值進(jìn)行計算處理，得到對應(yīng)的計算結(jié)果；

31、將所述計算結(jié)果作為所述一致性相關(guān)系數(shù)。

32、進(jìn)一步的，所述基于所述語音樣本數(shù)據(jù)對所述學(xué)生模型進(jìn)行訓(xùn)練，獲取所述學(xué)生模型中的指定語音嵌入的步驟，具體包括：

33、將所述語音樣本數(shù)據(jù)輸入至所述學(xué)生模型內(nèi)；

34、通過所述第二語音信號特征提取器對所述語音樣本數(shù)據(jù)進(jìn)行特征提取，得到對應(yīng)的第二語音特征；

35、通過所述第三門控循環(huán)單元對所述第二語音特征進(jìn)行處理，得到對應(yīng)的第二語音嵌入；

36、通過所述第二投射層對所述第二語音嵌入進(jìn)行投射處理，得到所述指定語音嵌入。

37、進(jìn)一步的，所述基于所述第一損失與所述第二損失生成綜合損失的步驟，具體包括：

38、獲取所述第二損失對應(yīng)的指定權(quán)重；

39、計算所述指定權(quán)重與所述第二損失之間的乘積；

40、計算所述乘積與所述第一損失之間的和值；

41、將所述和值作為所述綜合損失。

42、進(jìn)一步的，在所述基于所述綜合損失對所述學(xué)生模型進(jìn)行優(yōu)化處理，得到對應(yīng)的目標(biāo)情感識別模型的步驟之后，還包括：

43、基于所述語音樣本數(shù)據(jù)構(gòu)建驗證數(shù)據(jù)；

44、基于所述驗證數(shù)據(jù)對所述目標(biāo)情感識別模型進(jìn)行性能驗證處理，得到所述目標(biāo)情感識別模型的性能指標(biāo)數(shù)據(jù)；

45、對所述性能指標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，生成與所述目標(biāo)情感識別模型對應(yīng)的性能分析結(jié)果；

46、基于所述性能分析結(jié)果對所述目標(biāo)情感識別模型進(jìn)行對應(yīng)的調(diào)整處理。

47、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種基于人工智能的情感識別裝置，采用了如下所述的技術(shù)方案：

48、調(diào)用模塊，用于調(diào)用預(yù)先構(gòu)建的教師模型與學(xué)生模型；其中，所述教師模型包括第一語音信號特征提取器、第一門控循環(huán)單元、第二門控循環(huán)單元、預(yù)訓(xùn)練語言模型、第一投射層與第一預(yù)測層；所述學(xué)生模型包括第二語音信號特征提取器、第三門控循環(huán)單元、第二投射層與第二預(yù)測層；

49、預(yù)處理模塊，用于獲取預(yù)先采集的語音數(shù)據(jù)，并對所述語音數(shù)據(jù)進(jìn)行預(yù)處理得到語音樣本數(shù)據(jù)；

50、第一處理模塊，用于基于所述語音樣本數(shù)據(jù)對所述教師模型進(jìn)行訓(xùn)練，獲取所述教師模型中的聯(lián)合嵌入與訓(xùn)練輸出，并基于所述訓(xùn)練輸出生成與所述教師模型對應(yīng)的第一損失；

51、第二處理模塊，用于基于所述語音樣本數(shù)據(jù)對所述學(xué)生模型進(jìn)行訓(xùn)練，獲取所述學(xué)生模型中的指定語音嵌入；

52、第一生成模塊，用于基于所述聯(lián)合嵌入與所述語音嵌入生成與所述學(xué)生模型對應(yīng)的第二損失；

53、第二生成模塊，用于基于所述第一損失與所述第二損失生成綜合損失；

54、優(yōu)化模塊，用于基于所述綜合損失對所述學(xué)生模型進(jìn)行優(yōu)化處理，得到對應(yīng)的目標(biāo)情感識別模型；

55、識別模塊，用于基于所述目標(biāo)情感識別模型對用戶輸入的目標(biāo)語音數(shù)據(jù)進(jìn)行情感識別處理，生成與所述用戶對應(yīng)的情感識別結(jié)果。

56、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種計算機(jī)設(shè)備，采用了如下所述的技術(shù)方案：

57、所述計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器中存儲有計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)本技術(shù)實施例中提出的任一項所述的基于人工智能的情感識別方法的步驟。

58、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種計算機(jī)可讀存儲介質(zhì)，采用了如下所述的技術(shù)方案：

59、所述計算機(jī)可讀存儲介質(zhì)上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)本技術(shù)實施例中提出的任一項所述的基于人工智能的情感識別方法的步驟。

60、與現(xiàn)有技術(shù)相比，本技術(shù)實施例主要有以下有益效果：

61、本技術(shù)首先調(diào)用預(yù)先構(gòu)建的教師模型與學(xué)生模型；然后獲取預(yù)先采集的語音數(shù)據(jù)，并對所述語音數(shù)據(jù)進(jìn)行預(yù)處理得到語音樣本數(shù)據(jù)；之后基于所述語音樣本數(shù)據(jù)對所述教師模型進(jìn)行訓(xùn)練，獲取所述教師模型中的聯(lián)合嵌入與訓(xùn)練輸出，并基于所述訓(xùn)練輸出生成與所述教師模型對應(yīng)的第一損失；并基于所述語音樣本數(shù)據(jù)對所述學(xué)生模型進(jìn)行訓(xùn)練，獲取所述學(xué)生模型中的指定語音嵌入；后續(xù)基于所述聯(lián)合嵌入與所述語音嵌入生成與所述學(xué)生模型對應(yīng)的第二損失；并基于所述第一損失與所述第二損失生成綜合損失；進(jìn)一步基于所述綜合損失對所述學(xué)生模型進(jìn)行優(yōu)化處理，得到對應(yīng)的目標(biāo)情感識別模型；最后基于所述目標(biāo)情感識別模型對用戶輸入的目標(biāo)語音數(shù)據(jù)進(jìn)行情感識別處理，生成與所述用戶對應(yīng)的情感識別結(jié)果。本技術(shù)通過引入教師模型與學(xué)生模型所對應(yīng)的師生網(wǎng)絡(luò)訓(xùn)練策略來構(gòu)建相應(yīng)的目標(biāo)情感識別模型，相較于教師模型，目標(biāo)情感識別模型的結(jié)構(gòu)相對簡單，使得利用目標(biāo)情感識別模型對用戶輸入的目標(biāo)語音數(shù)據(jù)進(jìn)行情感識別處理，模型處理速度快，能夠有效提高語音情感識別處理的效率，以及提高語音情感的識別準(zhǔn)確率。