王振乾

摘 要：IT服務(wù)臺BP神經(jīng)網(wǎng)絡(luò)模型智能服務(wù)機(jī)器人是一種基礎(chǔ)的信息處理技術(shù)，可以推理帶有情感的主觀文本，同時可以分析、處理和匯總問題。近年來該技術(shù)在國內(nèi)諸多領(lǐng)域得到應(yīng)用。介紹了IT服務(wù)臺BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)模型智能服務(wù)機(jī)器人性化情感分析的基本結(jié)構(gòu)與內(nèi)容;分析了IT服務(wù)臺智能情感分析模型的構(gòu)建方案;深入闡釋了IT服務(wù)臺BP神經(jīng)網(wǎng)絡(luò)模型智能服務(wù)機(jī)器人個性化情感模型建立的實驗方案。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)模型;智能客服;個性化;社交媒體;情感分析

中圖分類號：TQ430.5 文獻(xiàn)標(biāo)識碼：A ? ? 文章編號：1001-5922（2021）12-0079-04

Research on Personalized Emotion of IT Service Desk BP Neural Network Model Intelligent Service Robot

Wang Zhenqian

（Information and Communication Branch， China Southern Power Grid Peak Frequency Modulation Power Generation Co.， Ltd.， Guangzhou 510000， China）

Abstract：IT service desk BP neural network model intelligent service robot is a basic information processing technology. It can deduce subjective text with emotion. At the same time， it can analyze， process and summarize problems. In recent years， this technology has been applied in many domestic fields. This paper introduces the basic structure and content of humanized emotion analysis of IT service desk BP neural network model intelligent service machine. The construction scheme of IT service desk intelligent emotion analysis model is analyzed. In addition， the experiment scheme of building personalized emotion model of IT service desk BP neural network model intelligent service robot is further explained.

Key words：BP neural network model; Intelligent customer service; Personalized; Social media; Emotion analysis

0 引言

分析、處理和推理主觀表達(dá)的過程就是情感分析。在21世紀(jì)初期情感分析開始受到關(guān)注和發(fā)展，將其與計算機(jī)的融合發(fā)展成為近年來文本信息挖掘領(lǐng)域的熱門研究對象。當(dāng)前的人工智能情感分析已經(jīng)完成了簡單指標(biāo)的情感分析，情感分析在智能服務(wù)領(lǐng)域擁有很強(qiáng)的實用性和必要性的一新興課題，有必要進(jìn)行進(jìn)一步的研究[1]。

1 IT服務(wù)臺BP神經(jīng)網(wǎng)絡(luò)模型智能服務(wù)機(jī)器人性

化情感分析的基本結(jié)構(gòu)與內(nèi)容

IT服務(wù)臺BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)模型智能服務(wù)機(jī)器人性化情感分析，首先介紹了BP神經(jīng)網(wǎng)絡(luò)方法（由魯梅爾哈特和麥克勒蘭德首次提出的），目前已經(jīng)廣泛應(yīng)用到許多領(lǐng)域。如圖1所示BP神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)模型，是現(xiàn)在使用最為普遍的一種[2]。BP神經(jīng)網(wǎng)絡(luò)是可以通過學(xué)習(xí)和存儲就可以分析出相應(yīng)的input和output的映射關(guān)系，該模型符合預(yù)期的過程就是通過不停的誤差反向傳播來進(jìn)行的（待錯誤率降低到可以接受的水平為止）。

2 IT服務(wù)臺智能情感分析模型的構(gòu)建方案

2.1 基于TF-IDF模型的架構(gòu)

TF-IDF（term frequency–inverse document frequency）是一種用于信息檢索與數(shù)據(jù)挖掘的常用加權(quán)技術(shù)。文本單詞級語義表示由三維向量空間表示，3個單詞屬性的權(quán)重均表示每段文字，然后在擴(kuò)展到n維空間。Ti=（E1，i，E2，i，E3，i）表示文檔，如圖2所示表示TF-IDF方法計算單詞的權(quán)重：單詞的權(quán)重=TF×lg（Ndoc/IDF），式中：IDF表示詞語出現(xiàn)的次數(shù);TF為輸入的頻率;Ndoc為文本集中的總數(shù)[3]。

2.2 Word vector（詞向量）模型架構(gòu)與表示

獲取向量的表示形式一般為使用谷歌的開源預(yù)訓(xùn)練Word2vec單詞訓(xùn)練方法來實現(xiàn)。先在句子中選擇一個輸入單詞，將其定義為跳過窗口的參數(shù)（表示從當(dāng)前輸入的單詞的左側(cè)或者右側(cè)選擇的單詞數(shù)量）;還有一個參數(shù)是跳過數(shù)字，其表示輸入詞需要選擇多少個。網(wǎng)絡(luò)的最終輸出形式是一種概率分布（表示字典中每個單詞都是Output word的概率），如果在段落中兩個單詞非常相似，就需要通過分析兩個單詞的嵌入矢量，即Word2Vec模型訓(xùn)練[4]。如圖3所示，在向量模型中基于文本的情感分類，單詞與單詞間需要建立獨立的關(guān)系，可以更好地獲得單詞級別的語義表示。

2.3 基于IT服務(wù)臺語義整合的個性化文本情感分析模型

基于IT服務(wù)臺語義整合的個性化文本情感分析模型當(dāng)前還存在許多不足：用戶間的個體差異被忽略了;用戶間的個性化差異被忽略了（語言習(xí)慣、觀點偏見等）;文本與用戶之間的依存關(guān)系掌握的不夠精準(zhǔn)[5]。在以上問題的基礎(chǔ)上，出現(xiàn)了一種基于用戶情感的神經(jīng)網(wǎng)絡(luò)模型UBPNN：

式（1）中，c表示句子b的長度;mxi表示單詞xi的單詞嵌入。將激活函數(shù) f （.）進(jìn)行非線性變換投影，如公式（2）、（3）、（4）所示：

p= f（Epb+tp）

r= f（Er p+tp）

n= softmax（En R+tn）

公式（2）、（3）、（4）中，Wp、tp、Wr、tr、Wn、tn表示可訓(xùn)練參數(shù)。

p= f（Ep[b，v]+tp）

r= f（Er p+tr）

n= softmax（En [r，v]+tn）

公式（5）、（6）、（7）中，表示訓(xùn)練參數(shù)的為Wp、tp、Wr、tr、Wn、tn;表示用戶嵌入的為v。如圖4所示為BP神經(jīng)網(wǎng)絡(luò)的情感訓(xùn)練模型圖。

2.4 IT服務(wù)臺智能模型訓(xùn)練過程

輸入層、隱藏層、輸出層等部分（Input layer、Hidden layer、Output layer）都屬于BP神經(jīng)網(wǎng)絡(luò)模型，其具體內(nèi)容如下：

（1）Input layer：句子的語意表示用輸入句子的單詞，再將用戶根據(jù)相應(yīng)的句子進(jìn)行初始化，轉(zhuǎn)化為為一定維數(shù)的向量[6]。

（2）Hidden layer：表示輸入的語意，一般獲取Hidden layer的語意需要使用非線性激活函數(shù)和矩陣乘法的線性運算來獲取。

（3）Output layer：表示隱藏層的語意，獲取句子的語意表示一般使用降維操作，在分類層中輸入句子的聯(lián)合用戶，并在句子級別上合并用戶信息。

（4）Final classification：在二維情感空間中映射獲取的向量，將情感進(jìn)行分類時需要運用softmax方法進(jìn)行。

3 IT服務(wù)臺BP神經(jīng)網(wǎng)絡(luò)模型智能服務(wù)機(jī)器人個性

化情感模型建立的實驗方案

3.1 數(shù)據(jù)集的選取與采集

基于IT服務(wù)臺BP神經(jīng)網(wǎng)絡(luò)模型智能服務(wù)機(jī)器人個性化情感研究的相關(guān)數(shù)據(jù)比較缺乏，本研究選取了2個公共產(chǎn)品評論數(shù)據(jù)集：點評2016和點評2017。如表1所示為2016和2017的點評數(shù)據(jù)，并將他們分為Training set、verification set、test set（訓(xùn)練集、驗證集、測試集）[7]。

3.2 對比模型的選取與構(gòu)建

本研究的對比算法選用Decision tree、K-NN、SVM模型和Naive Bayes等。

（1）Decision tree：是代表對象屬性和對象值之間的映射，屬于一種預(yù)測模型。樹種每個葉節(jié)點對應(yīng)根節(jié)點到葉節(jié)點的路徑對象，而每個節(jié)點都代表一個對象。

（2）K-NN是一種分類模型，是數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)分類中最常用的方法之一，表示集合中的每個個體都能通過其最近的K個近鄰的個體進(jìn)行表示。在其認(rèn)知的某個空間中，絕大多數(shù)或者某個臨近的k的鄰居個體屬于同類屬性，可根據(jù)其確定該個體所應(yīng)具有的屬性及分類結(jié)果[8-10]。

（3）SVM模型：是利用相關(guān)支持的vector從訓(xùn)練集中找到可以構(gòu)建最佳分類超平面，其核心思想是將規(guī)模的危險原理最小化，再將其應(yīng)用到屬性劃分的領(lǐng)域中。

（4）Naive Bayes：是著重在基于模型間屬性的獨立性，屬于一種基于Naive Bayes函數(shù)概率的分類模型。

3.3 實驗結(jié)果

通過以上實驗歸結(jié)出2016點評、2017點評數(shù)據(jù)集上的實驗結(jié)果，分別如表2和表3所示。

由表2可知，本文提出的UPBNN方法在這兩個數(shù)據(jù)集上的實驗表現(xiàn)優(yōu)于其他的對比方法。

由表3可知，UPBNN方法在這兩個數(shù)據(jù)集上的實驗表現(xiàn)優(yōu)于其他的對比方法。

4 結(jié)語

在IT服務(wù)臺神經(jīng)網(wǎng)絡(luò)BPNN方法的基礎(chǔ)上，本研究提出了一種UBPNN的改進(jìn)方法。通過實驗得出，該方法在很多方面都優(yōu)于其他比較方法。在兩個公共數(shù)據(jù)集上的實驗結(jié)果表明，該方法具有一定的優(yōu)勢，適合于多元分類的情況。

參考文獻(xiàn)

[1]吳偉國，李虹漫. PAD情感空間內(nèi)人工情感建模及人機(jī)交互實驗[J]. 哈爾濱工業(yè)大學(xué)學(xué)報，2019，51（01）：29-37.

[2]張素芹. 機(jī)器人BP神經(jīng)網(wǎng)絡(luò)避障控制模型構(gòu)建及仿真[J]. 西安工業(yè)大學(xué)學(xué)報，2015，35（08）：678-682.

[3]張林賀.機(jī)器人寫作新樣態(tài)中記者的應(yīng)對策略探析[J].新聞愛好者，2019（03）：29-33.

[4]肖舒琪. 人工智能在情緒識別領(lǐng)域的應(yīng)用研究[J]. 信息與電腦（理論版），2019（07）：138-140.

[5]王 桉. 人工智能讓政務(wù)服務(wù)更有“溫度”[J]. 上海信息化，2019（06）：56-58.

[6]盧 宇，陳鵬鶴. 人工智能賦能教育：教育機(jī)器人[J]. 人工智能，2019（03）：103-109.

[7]朱 敏. “AI機(jī)器人新聞”觀照與采編人員的工作重塑[J]. 新媒體研究，2019，5（13）：114-116.

[8]張 堯，王運武. 機(jī)器人賦能未來教育的創(chuàng)新與變革——國際機(jī)器人教師研究綜述[J]. 開放教育研究，2019，25（06）：83-92.

[9]柳晨晨，宛 平，王佑鎂，等. 智能機(jī)器人及其教學(xué)應(yīng)用：創(chuàng)新意蘊與現(xiàn)實挑戰(zhàn)[J]. 遠(yuǎn)程教育雜志，2020，38（02）：27-36.

[10]王 軍. 人工智能語音在親子閱讀領(lǐng)域的創(chuàng)新應(yīng)用研究——以智伴教育機(jī)器人為例[J]. 出版廣角，2020，（05）：74-76.