王振乾

摘 要：IT服务台BP神经网络模型智能服务机器人是一种基础的信息处理技术，可以推理带有情感的主观文本，同时可以分析、处理和汇总问题。近年来该技术在国内诸多领域得到应用。介绍了IT服务台BP（Back Propagation）神经网络模型智能服务机器人性化情感分析的基本结构与内容;分析了IT服务台智能情感分析模型的构建方案;深入阐释了IT服务台BP神经网络模型智能服务机器人个性化情感模型建立的实验方案。

关键词：BP神经网络模型;智能客服;个性化;社交媒体;情感分析

中图分类号：TQ430.5 文献标识码：A     文章编号：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、处理和推理主观表达的过程就是情感分析。在21世纪初期情感分析开始受到关注和发展，将其与计算机的融合发展成为近年来文本信息挖掘领域的热门研究对象。当前的人工智能情感分析已经完成了简单指标的情感分析，情感分析在智能服务领域拥有很强的实用性和必要性的一新兴课题，有必要进行进一步的研究[1]。

1 IT服务台BP神经网络模型智能服务机器人性

化情感分析的基本结构与内容

IT服务台BP（Back Propagation）神经网络模型智能服务机器人性化情感分析，首先介绍了BP神经网络方法（由鲁梅尔哈特和麦克勒兰德首次提出的），目前已经广泛应用到许多领域。如图1所示BP神经网络是一种神经网络模型，是现在使用最为普遍的一种[2]。BP神经网络是可以通过学习和存储就可以分析出相应的input和output的映射关系，该模型符合预期的过程就是通过不停的误差反向传播来进行的（待错误率降低到可以接受的水平为止）。

2 IT服务台智能情感分析模型的构建方案

2.1 基于TF-IDF模型的架构

TF-IDF（term frequency–inverse document frequency）是一种用于信息检索与数据挖掘的常用加权技术。文本单词级语义表示由三维向量空间表示，3个单词属性的权重均表示每段文字，然后在扩展到n维空间。Ti=（E1，i，E2，i，E3，i）表示文檔，如图2所示表示TF-IDF方法计算单词的权重：单词的权重=TF×lg（Ndoc/IDF），式中：IDF表示词语出现的次数;TF为输入的频率;Ndoc为文本集中的总数[3]。

2.2 Word vector（词向量）模型架构与表示

获取向量的表示形式一般为使用谷歌的开源预训练Word2vec单词训练方法来实现。先在句子中选择一个输入单词，将其定义为跳过窗口的参数（表示从当前输入的单词的左侧或者右侧选择的单词数量）;还有一个参数是跳过数字，其表示输入词需要选择多少个。网络的最终输出形式是一种概率分布（表示字典中每个单词都是Output word的概率），如果在段落中两个单词非常相似，就需要通过分析两个单词的嵌入矢量，即Word2Vec模型训练[4]。如图3所示，在向量模型中基于文本的情感分类，单词与单词间需要建立独立的关系，可以更好地获得单词级别的语义表示。

2.3 基于IT服务台语义整合的个性化文本情感分析模型

基于IT服务台语义整合的个性化文本情感分析模型当前还存在许多不足：用户间的个体差异被忽略了;用户间的个性化差异被忽略了（语言习惯、观点偏见等）;文本与用户之间的依存关系掌握的不够精准[5]。在以上问题的基础上，出现了一种基于用户情感的神经网络模型UBPNN：

式（1）中，c表示句子b的长度;mxi表示单词xi的单词嵌入。将激活函数 f （.）进行非线性变换投影，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表示可训练参数。

p= f（Ep[b，v]+tp）

r= f（Er p+tr）

n= softmax（En [r，v]+tn）

公式（5）、（6）、（7）中，表示训练参数的为Wp、tp、Wr、tr、Wn、tn;表示用户嵌入的为v。如图4所示为BP神经网络的情感训练模型图。

2.4 IT服务台智能模型训练过程

输入层、隐藏层、输出层等部分（Input layer、Hidden layer、Output layer）都属于BP神经网络模型，其具体内容如下：

（1）Input layer：句子的语意表示用输入句子的单词，再将用户根据相应的句子进行初始化，转化为为一定维数的向量[6]。

（2）Hidden layer：表示输入的语意，一般获取Hidden layer的语意需要使用非线性激活函数和矩阵乘法的线性运算来获取。

（3）Output layer：表示隐藏层的语意，获取句子的语意表示一般使用降维操作，在分类层中输入句子的联合用户，并在句子级别上合并用户信息。

（4）Final classification：在二维情感空间中映射获取的向量，将情感进行分类时需要运用softmax方法进行。

3 IT服务台BP神经网络模型智能服务机器人个性

化情感模型建立的实验方案

3.1 数据集的选取与采集

基于IT服务台BP神经网络模型智能服务机器人个性化情感研究的相关数据比较缺乏，本研究选取了2个公共产品评论数据集：点评2016和点评2017。如表1所示为2016和2017的点评数据，并将他们分为Training set、verification set、test set（训练集、验证集、测试集）[7]。

3.2 对比模型的选取与构建

本研究的对比算法选用Decision tree、K-NN、SVM模型和Naive Bayes等。

（1）Decision tree：是代表對象属性和对象值之间的映射，属于一种预测模型。树种每个叶节点对应根节点到叶节点的路径对象，而每个节点都代表一个对象。

（2）K-NN是一种分类模型，是数据挖掘与机器学习分类中最常用的方法之一，表示集合中的每个个体都能通过其最近的K个近邻的个体进行表示。在其认知的某个空间中，绝大多数或者某个临近的k的邻居个体属于同类属性，可根据其确定该个体所应具有的属性及分类结果[8-10]。

（3）SVM模型：是利用相关支持的vector从训练集中找到可以构建最佳分类超平面，其核心思想是将规模的危险原理最小化，再将其应用到属性划分的领域中。

（4）Naive Bayes：是着重在基于模型间属性的独立性，属于一种基于Naive Bayes函数概率的分类模型。

3.3 实验结果

通过以上实验归结出2016点评、2017点评数据集上的实验结果，分别如表2和表3所示。

由表2可知，本文提出的UPBNN方法在这两个数据集上的实验表现优于其他的对比方法。

由表3可知，UPBNN方法在这两个数据集上的实验表现优于其他的对比方法。

4 结语

在IT服务台神经网络BPNN方法的基础上，本研究提出了一种UBPNN的改进方法。通过实验得出，该方法在很多方面都优于其他比较方法。在两个公共数据集上的实验结果表明，该方法具有一定的优势，适合于多元分类的情况。

参考文献

[1]吴伟国，李虹漫. PAD情感空间内人工情感建模及人机交互实验[J]. 哈尔滨工业大学学报，2019，51（01）：29-37.

[2]张素芹. 机器人BP神经网络避障控制模型构建及仿真[J]. 西安工业大学学报，2015，35（08）：678-682.

[3]张林贺.机器人写作新样态中记者的应对策略探析[J].新闻爱好者，2019（03）：29-33.

[4]肖舒琪. 人工智能在情绪识别领域的应用研究[J]. 信息与电脑（理论版），2019（07）：138-140.

[5]王 桉. 人工智能让政务服务更有“温度”[J]. 上海信息化，2019（06）：56-58.

[6]卢 宇，陈鹏鹤. 人工智能赋能教育：教育机器人[J]. 人工智能，2019（03）：103-109.

[7]朱 敏. “AI机器人新闻”观照与采编人员的工作重塑[J]. 新媒体研究，2019，5（13）：114-116.

[8]张 尧，王运武. 机器人赋能未来教育的创新与变革——国际机器人教师研究综述[J]. 开放教育研究，2019，25（06）：83-92.

[9]柳晨晨，宛 平，王佑镁，等. 智能机器人及其教学应用：创新意蕴与现实挑战[J]. 远程教育杂志，2020，38（02）：27-36.

[10]王 军. 人工智能语音在亲子阅读领域的创新应用研究——以智伴教育机器人为例[J]. 出版广角，2020，（05）：74-76.