本發明專利技術公開了一種基于對話識別和情感分類模型的人機交互系統及交互方法，包括對話機器人模型、情感分類模型和實體機器人；對話機器人模型和情感分類模型均與實體機器人連接；對話機器人模型結合了大學生用戶具體的煩惱類別和支持策略信息對大學生用戶進行對話回復緩解用戶的負面情緒，情感分類模型對大學生用戶的輸入語句進行情感分類并給出情感分類結果，實體機器人輸出對話回復語句并執行對應的情感交互動作。本發明專利技術可以根據用戶輸入的文字或者語音進行輸出對答語句和情感交互動作，緩解了大學生的負面心理情緒，解決了大學生群體心理健康問題，實現了對大學生用戶心理輔助調節的功能。
2、目前的大多數對話機器人都不能滿足大學生心理問答的需求，且受限于心理領域的隱私和保密特征，收集相關的心理對話語料數據集并訓練一個對話機器人模型具有一定的難度。此外，對于有心理困惑的學生來說，簡單的文字聊天難以起到安慰的效果，仿人實體機器人能夠在一定程度上進行情感表達，建立合理有效的機器人情感交互表達方式，設計具體的情感交互動作方案，使得實體機器人可以與大學生用戶進行交互，進而有效地調節他們的情緒，具有重要的現實意義和實際價值。
3、針對當前高校心理教育資源不足的問題，需要提出一種針對大學生用戶的心理輔助機器人的人機交互系統，通過對話和情感交互動作兩個方面來對學生的負面情緒進行調節，提升心理輔助調節的效果。
1、本專利技術所要解決的技術問題是針對上述現有技術的不足提供一種基于對話識別和情感分類模型的人機交互系統和交互方法，本基于對話識別和情感分類模型的人機交互系統和交互方法可以根據用戶輸入的文字或者語音進行輸出對答語句和情感交互動作，緩解了大學生的負面心理情緒。
>4、所述對話機器人模型用于根據用戶的文字語句輸出對話答句并將對話答句發送實體機器人；5、所述情感分類模型用于根據用戶的文字語句輸出情感分類結果并將情感分類結果發送給實體機器人；
6、所述實體機器人用于對對話答句進行語音合成并輸出合成后的語音，同時用于根據情感分類結果選擇對應的情感交互動作進行動作執行。
7、作為本專利技術進一步改進的技術方案，還包括語音識別模塊和通信模塊，所述語音識別模塊同時與對話機器人模型和情感分類模型連接，所述對話機器人模型和情感分類模型分別通過通信模塊與實體機器人連接；
8、所述語音識別模塊用于采集用戶發出的語音并將采集的語音轉換為文字語句發送給對話機器人模型和情感分類模型。
9、為實現上述技術目的，本專利技術采取的另一個技術方案為：
10、一種基于對話識別和情感分類模型的人機交互方法，包括：
11、步驟1、構建對話機器人模型，對話機器人模型包括煩惱類別判斷模型和對話生成模型；
12、步驟1.1、構建煩惱類別判斷模型；
13、步驟1.1.1、采集并構建大學生心理咨詢相關的對話數據集；
14、步驟1.1.2、對對話數據集中的對話數據進行煩惱類別標注后再進行預處理操作；
15、步驟1.1.3、構建基于雙教師知識蒸餾的煩惱類別判斷模型：
16、通過煩惱類別標注后的且預處理操作后的對話數據集對基于雙教師知識蒸餾的煩惱類別判斷模型進行訓練，得到訓練完成的煩惱類別判斷模型；
17、步驟1.2、構建對話生成模型；
18、步驟1.2.1、對步驟1.1.1中的對話數據集中的對話數據進行情緒支持策略標注；
19、步驟1.2.2、構建對話生成模型：
20、通過煩惱類別標注、情緒支持策略標注后的且預處理操作后的對話數據集對對話生成模型進行訓練，得到訓練完成的對話生成模型；
21、步驟2、構建情感分類模型；
22、步驟2.1、采集情感分析任務的公共數據集，數據集中的每條文本信息都配有一個情感標簽；
23、步驟2.2、構建情感分類模型：
24、通過具有情感標簽的數據集對情感分類模型進行訓練，得到訓練完成的情感分類模型；
25、步驟3、根據情感標簽對應的情感交互動作在實體機器人內部構建情感交互動作庫；
26、步驟4、采集用戶輸入的語音或者文字語句，若采集的是語音，則將語音轉換為文字語句；
27、步驟5、訓練完成的對話機器人模型中煩惱類別判斷模型根據用戶的文字語句輸出煩惱類別并將煩惱類別發送訓練完成的對話生成模型；
28、步驟6、訓練完成的對話生成模型根據煩惱類別和用戶的文字語句輸出對話答句；
29、步驟7、訓練完成的情感分類模型對用戶的文字語句進行情感分類進而輸出情感標簽；
30、步驟8、實體機器人根據步驟6輸出的對話答句進行語音合成并輸出合成后的語音，同時根據步驟7輸出的情感標簽從情感交互動作庫中選擇與情感標簽對應的情感交互動作進行動作執行。
31、作為本專利技術進一步改進的技術方案，所述的基于雙教師知識蒸餾的煩惱類別判斷模型包括教師模型和學生模型，教師模型包括bert預訓練模型和roberta預訓練模型，學生模型包括4層的transformer編碼器。
32、作為本專利技術進一步改進的技術方案，所述的煩惱類別判斷模型在訓練時，學生模型向教師模型中的詞向量層和預測層學習，還向教師模型的第3層transformer編碼器、第6層transformer編碼器、第9層transformer編碼器、第12層transformer編碼器進行學習。
33、作為本專利技術進一步改進的技術方案，所述的對話生成模型包括gpt-2主干模型以及束搜索優化算法和最大互信息的響應采樣層；gpt-2主干模型包括掩碼多頭注意力層、多個層歸一化層、多頭自注意力層和前饋層；掩碼多頭注意力層與第一個層歸一化層連接，第一個層歸一化層與多頭自注意力層連接，多頭自注意力層與第二個層歸一化層連接，第二個層歸一化層與前饋層連接，前饋層與第三個層歸一化層連接，第三個層歸一化層與束搜索優化算法和最大互信息的響應采樣層連接。
34、作為本專利技術進一步改進的技術方案，所述的對話生成模型的條件生成概率公式為：
35、
36、其中，st代表具體的對話策略，sd代表具體的煩惱類別，x表示對話上文語句，y表示對話生成模型輸出的對話下文生成語句，yi表示y中的從至后排列的第i個字，|y|表示y中總字數，i代表y中字的序號。
37、作為本專利技術進一步改進的技術方案，情感分類模型采用雙教師知識蒸餾模型。
38、本專利技術的有益效果為：
39、本專利技術實現了對大學生用戶心理輔助調節的功能。主要用于解決大學生群體心理健康問題。大學生用戶通過文字或者語音輸入的方式向本交互系統輸入問題，隨后交互系統會將對話問句分別發送給對話機器人模型和情感分類模型，對話機器人模型結合了大學生用戶具體的煩惱類別和支持策略信息對大學生用戶進行對話回復緩解用戶的負面情緒，對話機器人模型會輸出對話答句，情感分類模型對大學生用戶的輸入語句進行情感分類并給出情感分類結果，再通過通信模塊將回答語句和情感分類結果發送給yanshee實體機器人，實體機器人內部進行語音合成本文檔來自技高網...
【技術保護點】
1.一種基于對話識別和情感分類模型的人機交互系統，其特征在于，包括對話機器人模型、情感分類模型和實體機器人；所述對話機器人模型和情感分類模型均與實體機器人連接；
2.根據權利要求1所述的基于對話識別和情感分類模型的人機交互系統，其特征在于，還包括語音識別模塊和通信模塊，所述語音識別模塊同時與對話機器人模型和情感分類模型連接，所述對話機器人模型和情感分類模型分別通過通信模塊與實體機器人連接；
3.一種基于對話識別和情感分類模型的人機交互方法，其特征在于，包括：
4.根據權利要求3所述的基于對話識別和情感分類模型的人機交互方法，其特征在于，所述的基于雙教師知識蒸餾的煩惱類別判斷模型包括教師模型和學生模型，教師模型包括Bert預訓練模型和Roberta預訓練模型，學生模型包括4層的Transformer編碼器。
5.根據權利要求4所述的基于對話識別和情感分類模型的人機交互方法，其特征在于，所述的煩惱類別判斷模型在訓練時，學生模型向教師模型中的詞向量層和預測層學習，還向教師模型的第3層Transformer編碼器、第6層Transformer編碼器、第9層Transformer編碼器、第12層Transformer編碼器進行學習。
6.根據權利要求3所述的基于對話識別和情感分類模型的人機交互方法，其特征在于，所述的對話生成模型包括GPT-2主干模型以及束搜索優化算法和最大互信息的響應采樣層；GPT-2主干模型包括掩碼多頭注意力層、多個層歸一化層、多頭自注意力層和前饋層；掩碼多頭注意力層與第一個層歸一化層連接，第一個層歸一化層與多頭自注意力層連接，多頭自注意力層與第二個層歸一化層連接，第二個層歸一化層與前饋層連接，前饋層與第三個層歸一化層連接，第三個層歸一化層與束搜索優化算法和最大互信息的響應采樣層連接。
7.根據權利要求6所述的基于對話識別和情感分類模型的人機交互方法，其特征在于，所述的對話生成模型的條件生成概率公式為：
8.根據權利要求3所述的基于對話識別和情感分類模型的人機交互方法，其特征在于，情感分類模型采用雙教師知識蒸餾模型。
...
【技術特征摘要】
1.一種基于對話識別和情感分類模型的人機交互系統，其特征在于，包括對話機器人模型、情感分類模型和實體機器人；所述對話機器人模型和情感分類模型均與實體機器人連接；
2.根據權利要求1所述的基于對話識別和情感分類模型的人機交互系統，其特征在于，還包括語音識別模塊和通信模塊，所述語音識別模塊同時與對話機器人模型和情感分類模型連接，所述對話機器人模型和情感分類模型分別通過通信模塊與實體機器人連接；
3.一種基于對話識別和情感分類模型的人機交互方法，其特征在于，包括：
4.根據權利要求3所述的基于對話識別和情感分類模型的人機交互方法，其特征在于，所述的基于雙教師知識蒸餾的煩惱類別判斷模型包括教師模型和學生模型，教師模型包括bert預訓練模型和roberta預訓練模型，學生模型包括4層的transformer編碼器。
5.根據權利要求4所述的基于對話識別和情感分類模型的人機交互方法，其特征在于，所述的煩惱類別判斷模型在訓練時，學生模型向教師模型中的詞向量層和預測層學習，還...
【專利技術屬性】
技術研發人員：郁舒蘭，趙揚，儲東東，
申請(專利權)人：南京林業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。