本发明专利技术涉及人工智能技术领域，公开了一种数据的情感识别方法、装置、设备及可读存储介质，包括：对接收到的情感识别任务进行解析，得到待识别的目标数据；利用目标情感识别模型的第一特征提取层对目标数据进行特征提取，得到第一特征；利用预部署于目标情感识别模型的傅里叶变换模块对第一特征进行傅里叶变换，得到频域特征；利用目标情感识别模型的第二特征提取层对频域特征进行特征提取，得到第二特征；利用目标情感识别模型的分类层对第二特征进行分类，得到情感识别结果。应用本发明专利技术所提供的数据的情感识别方法，增强了神经网络模型的可解释性，提高了情感识别的准确度。提高了情感识别的准确度。提高了情感识别的准确度。
【技术实现步骤摘要】
一种数据的情感识别方法、装置、设备及可读存储介质
[0001]本专利技术涉及人工智能
，特别是涉及一种数据的情感识别方法、装置、设备及计算机可读存储介质。
技术介绍
[0002]人机交互已经是现在较为流行的机器交互方式，无论是语音控制还是姿态控制都已经成为现在智能设备上重要的操控方式之一。为了让机器更好的服务人类，情感识别在其中扮演着重要的角色。
[0003]为了完成人机交互中的情感识别，基于深度学习的技术已经被广泛应用到情感识别领域。但深度学习方法缺乏可解释性，现在也有将深度学习方法和传统学习的方法结合在一起的方法。比如在提取特征的过程中，也有使用频域特征的方法。但是深度学习的特征提取和傅里叶变换没有并行关系，对两种不同的特征是分别处理的，这种割裂处理的方式损害了模型的统一性，神经网络训练并不会包含傅里叶变换等操作，训练深度学习的特征的时候已经限制了傅里叶系数特征，导致情感识别模型的可解释性较差，情感识别的准确度低。
[0004]综上所述，如何有效地解决现有的数据情感识别方法采用的情感识别模型的可解释性较差，情感识别的准确度低等问题，是目前本领域技术人员急需解决的问题。
技术实现思路
[0005]本专利技术的目的是提供一种数据的情感识别方法，该方法增强了神经网络模型的可解释性，提高了情感识别的准确度；本专利技术的另一目的是提供一种数据的情感识别装置、设备及计算机可读存储介质。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：一种数据的情感识别方法，包括：对接收到的情感识别任务进行解析，得到待识别的目标数据；利用目标情感识别模型的第一特征提取层对所述目标数据进行特征提取，得到第一特征；利用预部署于所述目标情感识别模型的傅里叶变换模块对所述第一特征进行傅里叶变换，得到频域特征；利用所述目标情感识别模型的第二特征提取层对所述频域特征进行特征提取，得到第二特征；利用所述目标情感识别模型的分类层对所述第二特征进行分类，得到情感识别结果。
[0007]在本专利技术的一种具体实施方式中，还包括所述情感识别模型的训练过程，所述情感识别模型的训练过程包括：获取情感识别数据集；其中，所述情感识别数据集中包含原始数据和真实标签；
将所述原始数据输入至原始情感识别模型，以使所述原始数据依次通过所述原始情感识别模型的第一特征提取层、傅里叶变换模块、第二特征提取层以及分类层进行前向传输，得到分类向量；获取所述真实标签对应的标签向量；通过损失函数对所述分类向量和所述标签向量进行损失度量，得到分类损失；判断所述分类损失是否小于预设值；若否，则通过反向传播算法将所述标签向量依次通过所述原始情感识别模型的分类层、第二特征提取层、傅里叶变换模块以及第一特征提取层进行反向传输，以对所述原始情感识别模型进行参数更新，并重复执行所述将原始数据输入至所述原始情感识别模型的步骤；若是，则将所述原始情感识别模型确定为所述目标情感识别模型。
[0008]在本专利技术的一种具体实施方式中，在得到分类向量之后，通过损失函数对所述分类向量和所述标签向量进行损失度量之前，还包括：对所述分类向量进行归一化，得到归一化分类概率向量；通过损失函数对所述分类向量和所述标签向量进行损失度量，包括：通过损失函数对所述归一化分类概率向量和所述标签向量进行损失度量。
[0009]在本专利技术的一种具体实施方式中，在将所述原始数据输入至所述原始情感识别模型之前，还包括：对原始情感识别模型进行权重初始化。
[0010]在本专利技术的一种具体实施方式中，将所述原始情感识别模型确定为所述目标情感识别模型，包括：判断是否为连续预设训练周期次数所述分类损失均小于所述预设值；若是，则将所述原始情感识别模型确定为所述目标情感识别模型。
[0011]在本专利技术的一种具体实施方式中，还包括：将前向传输中所述傅里叶变换模块的输出结果进行可视化展示。
[0012]在本专利技术的一种具体实施方式中，当所述情感识别任务为多模态的情感识别任务时，对接收到的情感识别任务进行解析，得到待识别的目标数据，包括：对接收到的情感识别任务进行解析，得到各模态分别对应的待识别的目标数据；利用目标情感识别模型的第一特征提取层对所述目标数据进行特征提取，包括：针对每个模态的待识别的目标数据，利用目标情感识别模型的第一特征提取层对所述目标数据进行特征提取；利用所述目标情感识别模型的分类对将所述第二特征进行分类，包括：对各所述模态分别对应的第二特征进行特征融合，得到第一融合特征；利用所述目标情感识别模型的分类层对所述第一融合特征进行分类。
[0013]在本专利技术的一种具体实施方式中，利用所述目标情感识别模型的第二特征提取层对所述频域特征进行特征提取，包括：当所述目标数据为非时序数据时，利用所述目标情感识别模型的第二特征提取层对所述频域特征进行特征提取。
[0014]在本专利技术的一种具体实施方式中，利用所述目标情感识别模型的第二特征提取层
对所述频域特征进行特征提取，包括：当所述目标数据为时序数据时，对所述第一特征和所述频域特征进行特征融合，得到第二融合特征；利用所述目标情感识别模型的第二特征提取层对所述第二融合特征进行特征提取。
[0015]在本专利技术的一种具体实施方式中，利用预部署于所述目标情感识别模型的傅里叶变换模块对所述第一特征进行傅里叶变换，包括：利用预部署于所述目标情感识别模型中基于长短时记忆网络的傅里叶变换模块对所述第一特征进行傅里叶变换。
[0016]在本专利技术的一种具体实施方式中，利用所述目标情感识别模型的分类层对所述第二特征进行分类，包括：利用所述目标情感识别模型的分类层将所述第二特征由特征表达维度映射到情感空间维度。
[0017]在本专利技术的一种具体实施方式中，利用所述目标情感识别模型的第二特征提取层对所述频域特征进行特征提取，包括：获取所述情感识别任务所属场景的场景复杂度；根据所述场景复杂度确定对所述频域特征的处理模式；其中，所述处理模式为对所述频域特征中的实部和虚部进行一起处理或对所述频域特征中的实部和虚部进行分开处理中的一种；利用所述目标情感识别模型的第二特征提取层按照所述处理模式对所述频域特征进行特征提取。
[0018]一种数据的情感识别装置，包括：任务解析单元，用于对接收到的情感识别任务进行解析，得到待识别的目标数据；第一特征提取单元，用于利用目标情感识别模型的第一特征提取层对所述目标数据进行特征提取，得到第一特征；傅里叶变换单元，用于利用预部署于所述目标情感识别模型的傅里叶变换模块对所述第一特征进行傅里叶变换，得到频域特征；第二特征提取单元，用于利用所述目标情感识别模型的第二特征提取层对所述频域特征进行特征提取，得到第二特征；情感识别单元，用于利用所述目标情感识别模型的分类层对所述第二特征进行分类，得到情感识别结果。
[0019]一种数据的情感识别设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如前所述数据的情感识别方法的步骤。
[0020]一种计算机可读存储介质，所述计算机可本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种数据的情感识别方法，其特征在于，包括：对接收到的情感识别任务进行解析，得到待识别的目标数据；利用目标情感识别模型的第一特征提取层对所述目标数据进行特征提取，得到第一特征；利用预部署于所述目标情感识别模型的傅里叶变换模块对所述第一特征进行傅里叶变换，得到频域特征；利用所述目标情感识别模型的第二特征提取层对所述频域特征进行特征提取，得到第二特征；利用所述目标情感识别模型的分类层对所述第二特征进行分类，得到情感识别结果。2.根据权利要求1所述的数据的情感识别方法，其特征在于，还包括所述情感识别模型的训练过程，所述情感识别模型的训练过程包括：获取情感识别数据集；其中，所述情感识别数据集中包含原始数据和真实标签；将所述原始数据输入至原始情感识别模型，以使所述原始数据依次通过所述原始情感识别模型的第一特征提取层、傅里叶变换模块、第二特征提取层以及分类层进行前向传输，得到分类向量；获取所述真实标签对应的标签向量；通过损失函数对所述分类向量和所述标签向量进行损失度量，得到分类损失；判断所述分类损失是否小于预设值；若否，则通过反向传播算法将所述标签向量依次通过所述原始情感识别模型的分类层、第二特征提取层、傅里叶变换模块以及第一特征提取层进行反向传输，以对所述原始情感识别模型进行参数更新，并重复执行所述将所述原始数据输入至原始情感识别模型的步骤；若是，则将所述原始情感识别模型确定为所述目标情感识别模型。3.根据权利要求2所述的数据的情感识别方法，其特征在于，在得到分类向量之后，通过损失函数对所述分类向量和所述标签向量进行损失度量之前，还包括：对所述分类向量进行归一化，得到归一化分类概率向量；通过损失函数对所述分类向量和所述标签向量进行损失度量，包括：通过损失函数对所述归一化分类概率向量和所述标签向量进行损失度量。4.根据权利要求2所述的数据的情感识别方法，其特征在于，在将所述原始数据输入至所述原始情感识别模型之前，还包括：对原始情感识别模型进行权重初始化。5.根据权利要求2所述的数据的情感识别方法，其特征在于，将所述原始情感识别模型确定为所述目标情感识别模型，包括：判断是否为连续预设训练周期次数所述分类损失均小于所述预设值；若是，则将所述原始情感识别模型确定为所述目标情感识别模型。6.根据权利要求2所述的数据的情感识别方法，其特征在于，还包括：将前向传输中所述傅里叶变换模块的输出结果进行可视化展示。7.根据权利要求1至6任一项所述的数据的情感识别方法，其特征在于，当所述情感识别任务为多模态的情感识别任务时，对接收到的情感识别任务进行解析，得到待识别的目
标数据，包括：对接收到的情感识别任务进行解析，得到各模态分别对应的待识别的目标数据；利用目标情感识别模型的第一特征提取层对所述目标数据进行特征提取，包括：针对每个模态的待识别的目标数据，利用目标情感识别模型的第一特征提取层对所述目标数据进行特征提取；利用...
【专利技术属性】
技术研发人员：赵雅倩，王斌强，董刚，李仁刚，刘璐，
申请(专利权)人：山东海量信息技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。