【技术实现步骤摘要】
本申请涉及信息，具体涉及一种基于服务数据的客户情感特征提取方法及系统。
技术介绍
1、近年来，随着大数据分析和机器学习技术的进步，客户情感特征提取方法不断演进。早期方法依赖于基本的文本分析和关键词匹配，而现代方法则更多利用深度学习模型，尤其是自然语言处理(nlp)技术来捕捉文本中的情绪倾向。
2、随着人工智能领域的进一步发展，情感分析开始采用更为复杂的模型，如循环神经网络(rnn)，长短期记忆网络(lstm)和transformer架构，这些模型能够更好地理解和分析情感上下文跨度较长的文本数据。
3、尽管预训练模型如bert和gpt等在情感分析任务上取得了显著的效果，但这些模型需要大量的标记数据以及相当的计算资源。对于规模更大，标记数据质量参差不齐的互联网数据，预训练模型难以适应，且训练和微调过程消耗巨大，限制了其广泛应用。
4、针对企业日常的数据和档案管理，其海量的客户互动记录蕴含着丰富的情感特征信息，如何准确提取这些特征对于洞察客户需求、提升服务质量、优化业务流程等方面至关重要。然而，企业数据往往存在标注不足、分布不均衡、噪声较多等问题,给情感特征提取带来挑战。此外,不同业务场景下客户表达情感的方式差异较大,单一模型泛化到新领域或巨大数据集的能力有限，若数据中存在标记错误或与训练集分布差异较大的情况，模型的性能就显著下降。
5、
技术实现思路
1、鉴于此，本申请提供一种基于服务数据的客户情感特征提取方法及系统，通过利用多个专业教师
2、本申请提供一种基于服务数据的客户情感特征提取方法，包括：
3、获取第一服务数据，将所述第一服务数据进行数据清洗，定义数据清洗后的所述第一服务数据为数据训练集；
4、构建共同监督学习框架，所述共同监督学习框架包括多个教师模型和一个学生模型，其中，所述多个教师模型共同监督所述学生模型；
5、基于所述数据训练集和所述共同监督学习框架，对所述学生模型进行训练，在训练过程中所述学生模型接受不同的教师模型的监督；
6、获取第二服务数据，基于所述第二服务数据，通过训练后的所述学生模型进行客户情感特征提取。
7、可选地，构建共同监督学习框架，所述共同监督学习框架包括多个教师模型和一个学生模型，其中，所述多个教师模型共同监督所述学生模型，包括：
8、构建多个教师模型，不同的教师模型适用于不同的子领域；
9、将所述多个教师模型进行模型融合，并设置共同监督信号；
10、构建一个学生模型，所述学生模型基于所述共同监督信号，接受所述多个教师模型的共同监督。
11、可选地，在训练过程中所述学生模型接受不同的教师模型的监督，包括：
12、制定学生模型的学习需求；
13、基于所述学习需求，调整不同的教师模型的监督强度和质量；
14、设置训练迭代次数，在不同的训练迭代过程中，基于教师分配算法，将不同的教师模型组合以监督所述学生模型的训练过程。
15、可选地，所述方法还包括：
16、基于训练过程中所述学生模型的学习进展和性能反馈，动态调整不同教师模型的权重，以便所述学生模型获得最佳教师模型的组合监督。
17、可选地，设置训练迭代次数，在不同的训练迭代过程中，基于教师分配算法，将不同的教师模型组合以监督所述学生模型的训练过程，包括：
18、设置训练迭代时间表，所述时间表包括训练迭代次数、学习率及批次大小；
19、基于教师分配算法，确定各个教师模型再当前迭代中的监督权重，所述教师分配算法包括多臂赌博机、遗传算法或强化学习；
20、利用软硬投票或加权平均算法，结合多个教师模型提供的监督信号，生成当前迭代轮次中学生模型训练所需的综合监督信号；
21、所述多个教师模型基于所述综合监督信号，监督所述学生模型的训练过程。
22、可选地，所述方法还包括：
23、设立一致性原则，强制执行学生模型的输出与多教师监督下的期望结果保持局部-全局一致性。
24、可选地，所述方法还包括：
25、使用梯度下降算法降低所述学生模型的预测误差，增强所述学生模型对情感特征的提取能力；
26、利用增量学习法，以使所述学生模型每一轮迭代后积累新的情感特征提取能力。
27、可选地，所述方法还包括：
28、在所述学生模型的训练过程中识别是否有注释噪声；
29、若存在所述注释噪声，则动态调整所述综合监督信号的强度，以便调整学生模型的训练轨迹，避免注释噪声的注入。
30、可选地，所述第一服务数据为客户对话的历史多模态数据；所述第二服务数据为当前时刻下收集到的客户对话的多模态数据。
31、本申请实施例还提供一种基于服务数据的客户情感特征提取系统，包括：
32、获取模块，用于获取第一服务数据，将所述第一服务数据进行数据清洗，定义数据清洗后的所述第一服务数据为数据训练集；
33、构建模块，用于构建共同监督学习框架，所述共同监督学习框架包括多个教师模型和一个学生模型，其中，所述多个教师模型共同监督所述学生模型；
34、训练模块，用于基于所述数据训练集和所述共同监督学习框架，对所述学生模型进行训练，在训练过程中所述学生模型接受不同的教师模型的监督；
35、提取模块，用于获取第二服务数据，基于所述第二服务数据，通过训练后的所述学生模型进行客户情感特征提取。
36、本申请提供一种基于服务数据的客户情感特征提取方法及系统，采用共同监督学习技术，通过一组多样化的专业教师集体监督，改进了从弱模型到强模型泛化的传统方法。在此过程中，考虑到数据规模庞大且包含噪声，提出了一种新的分层混合策略，通过逐步优化模型和监督信号的强度，实现了对客户情感特征的准确提取；不仅可以有效解决企业客户数据标注不足、分布不均衡、噪声较多等问题,提高情感特征提取的精度和效率。同时，针对企业数据和日常管理问题，由于多教师共同监督学习框架能够充分利用不同业务场景下的领域知识,使学生模型具备更强的泛化和迁移能力，可以适用于企业不同的场景进行适应性管理。此外，动态调整教师模型权重的机制可以适应学生模型的学习进展,实现针对性优化。同时,引入一致性原则和增量学习策略,进一步提升了模型的鲁棒性和可扩展性。
本文档来自技高网...【技术保护点】
1.一种基于服务数据的客户情感特征提取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，构建共同监督学习框架，所述共同监督学习框架包括多个教师模型和一个学生模型，其中，所述多个教师模型共同监督所述学生模型，包括：
3.根据权利要求2所述的方法，其特征在于，在训练过程中所述学生模型接受不同的教师模型的监督，包括：
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
5.根据权利要求3所述的方法，其特征在于，设置训练迭代次数，在不同的训练迭代过程中，基于教师分配算法，将不同的教师模型组合以监督所述学生模型的训练过程，包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
8.根据权利要求5所述的方法，其特征在于，所述方法还包括：
9.根据权利要求1-8任一项所述的方法，其特征在于，所述第一服务数据为客户对话的历史多模态数据；所述第二服务数据为当前时刻下收集到的客户对话的多模态数据。p>
10.一种基于服务数据的客户情感特征提取系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于服务数据的客户情感特征提取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，构建共同监督学习框架，所述共同监督学习框架包括多个教师模型和一个学生模型，其中，所述多个教师模型共同监督所述学生模型，包括：
3.根据权利要求2所述的方法，其特征在于，在训练过程中所述学生模型接受不同的教师模型的监督，包括：
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
5.根据权利要求3所述的方法，其特征在于，设置训练迭代次数，在不同的训练迭代过程中，基...
【专利技术属性】
技术研发人员：王君，
申请(专利权)人：北京华档致远科技有限公司，
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。