知更鸟 · relsent-bert-zh-large.v6 迭代全记录

简介: **知更鸟** 是**业界首个面向中文人际互动场景的三维联合分析模型**,基于 3.3 亿参数大模型微调,输入任意一段人际互动文本(聊天记录、评论、对话片段),就能同时输出 **关系类型、情感极性、关系动态** 三个维度的结构化分析结果。平均 F1 达到 **85.4%**,ONNX 导出后可在 Python / JavaScript / C# / Go 等语言中直接调用。

知更鸟 · relsent-bert-zh-large

中文人际关系情感分析模型 — 让机器读懂人与人之间的温度


一句话介绍

知更鸟 是业界首个面向中文人际互动场景的三维联合分析模型,基于 3.3 亿参数大模型微调,输入任意一段人际互动文本(聊天记录、评论、对话片段),就能同时输出 关系类型、情感极性、关系动态 三个维度的结构化分析结果。平均 F1 达到 85.4%,ONNX 导出后可在 Python / JavaScript / C# / Go 等语言中直接调用。


它能做什么

输入 输出
"你上次帮了我大忙,真的非常感谢" 关系: 友情 · 情感: 正面 · 动态: 亲近
"我俩最近经常吵架,快要分手了" 关系: 爱情 · 情感: 负面 · 动态: 疏远
"老板说这个季度绩效不太理想" 关系: 同事 · 情感: 负面 · 动态: 疏远
"妈,今天做了你爱吃的红烧肉" 关系: 亲情 · 情感: 正面 · 动态: 亲近

三个维度,七个关系类型

区别于传统单维情感分析(只判正/负/中),知更鸟首创 (关系 × 情感 × 动态) 三维联合建模框架,一次前向传播同时完成三个视角的预测:

关系类型:  爱情 | 亲情 | 友情 | 同事 | 师生 | 陌生人 | 其他
情感极性:  正面 | 中性 | 负面
关系动态:  亲近 | 稳定 | 疏远  ← 业界首次引入此维度

「关系动态」维度创新性地将社会渗透理论(Altman & Taylor, 1973)操作化为 NLP 可预测标签,判断一段关系正在"走近、维持还是走远"。这一维度在公开文献中未见同类方案,是知更鸟的核心方法论创新。

不止分类 — 模型输出的文本表征向量(CLS Token / Mean Pooling)可直接用于知识图谱三元组抽取、语义相似度计算、RAG 向量召回等下游任务。


为什么叫「知更鸟」

知更鸟以清脆多变的鸣叫著称,能模仿多种声音。正如这个模型 — 它从一段文字中"听出"多层含义:这是谁和谁、他们感情好不好、关系在走近还是走远。

英文代号 Robin,模型名 relsent-bert-zh-large = Relation + Sentiment + BERT + Chinese + Large。


性能一览

任务 Accuracy Macro F1
关系类型(7 类) 83.5% 82.9%
情感极性(3 类) 91.3% 91.3%
关系动态(3 类) 80.7% 80.8%
三项平均 — 85.4%

基座模型:chinese-roberta-wwm-ext-large(哈工大 & 讯飞联合出品,330M 参数)
训练数据:~9,800 条 LLM 合成 + 定向边界样本 + 人工修复样本
推理格式:ONNX,单次推理毫秒级,支持批量


不只是分类器 — 四大迁移场景

场景 说明
🧠 知识图谱关系抽取 从非结构化文本中抽取 (主体, 关系, 客体) 三元组,构建中文社交知识图谱
🔍 关系句语义匹配 用句向量计算两段文本的语义相似度,实现关系维度的精准检索
💬 KBQA 关系链接 将用户自然语言问句中的关系描述映射到知识库预定义类型,消歧 + 链接
📡 RAG 向量召回 以关系维度构建向量索引,在检索增强生成流程中提升召回相关性

为什么值得关注

1. 不是"又一个情感分析模型"

市面上的情感分析大多只做正/负/中三分类。知更鸟的三维联合建模回答的是更细节的问题:这段对话发生在什么关系里?感情好不好?两个人走得近还是远? — 这是人际关系分析,不是简单的褒贬判断。

2. 中文优先,深度优化

模型专门针对中文的人际互动场景优化。训练数据覆盖恋人吵架、朋友疏远、职场冲突、家庭温情、师生互动等真实场景,不是机械翻译的英文数据集。

3. 承认中文的模糊之美

中文人际关系天然多义 — 夫妻既是爱人又是家人,好兄弟像朋友也像亲人。模型输出 Top-K 关系(第二置信度 >15% 时自动展示),不强行非此即彼。

文本: 老婆,今天加班太累了,早点休息吧
  关系: 爱情 (68.3%) | 亲情 (26.1%)  ← 两个都对
  情感: 中性 (89.2%)
  动态: 亲近 (72.5%)

4. 开箱即用,跨语言部署

ONNX 格式导出,Python 三行代码、JavaScript 十行代码即可调用。不需要 GPU,不需要 PyTorch,不需要 Docker。


技术亮点

技术 说明
心理学理论驱动的标注体系 首次将 Knapp 关系发展阶段模型、Sternberg 爱情三角理论、Bowlby-Ainsworth 依恋理论、社会渗透理论用于指导 NLP 标注体系设计,从学术理论导出可操作的分类维度
多任务联合学习 共享 BERT 编码层,三个分类头独立输出,一次前向传播完成三维预测
Focal Loss (γ=2.0) 难样本(边界混淆句)梯度自动放大,简单样本梯度衰减,避免模型只学"容易的"
Label Smoothing (ε=0.1) 目标标签非零和,允许一条文本同时具有多种关系倾向,缓解跷跷板效应
LLM 定向数据合成 基于混淆矩阵分析短板,DeepSeek API 定向生成边界修复样本,精准补齐而非盲目堆数据
质检流水线 Pydantic Schema 校验 + 关键词库互斥检查 + 情感一致性验证,确保合成数据质量

v6 迭代全记录:从 82.3% 到 85.4%

这不是一个"炼丹"故事。这是一个关于发现问题、分析根因、精准修复的工程过程。


起点:模型好了,但不够好

v4 版本在测试集上平均 F1 达到 82.3%,看起来不错。但交互式测试中,几个 case 暴露了深层问题:

❌ "他俩最近经常吵架,快要分手了"
   → 模型判为"友情"  ← 明明是爱情冲突

❌ "小王非常讨厌他的上司,两人矛盾很深"
   → 模型判为"爱情"  ← 明明是职场冲突

❌ "小张离职了,听说去了竞争对手那"
   → 模型判为"爱情 (44.6%) | 友情 (33.9%)"
   ← 明明是同事关系

问题本质:模型没见过"在爱情里吵架"和"在职场里冲突"的样本。当 conflict + negative 信号出现时,模型不知道该归到哪个关系类别,只能瞎猜。


第一步:用数据说话,不靠感觉

写 eval.py,生成混淆矩阵 + Top 混淆对:

关系混淆 Top-5:
  友情 → 其他:  25 条误判  ← 最大短板
  亲情 → 爱情:  22 条误判  ← 第二大短板
  同事 → 其他:  18 条误判
  爱情 → 亲情:  15 条误判
  师生 → 同事:  12 条误判

方向明确了:不是所有类别都需要补,精准打击 Top 混淆对即可。


第二步:定向合成边界修复数据

写 generate_boundary_fix.py,12 大类修复计划:

计划 目标 样本数
恋人冲突 "分手/吵架"不被误判为友情 ~400
职场冲突 "上司/领导"不被误判为爱情 ~300
朋友矛盾 朋友间的冲突不被误判为恋人 ~100
师生冲突 师生间的紧张不被误判为同事 ~100
家庭矛盾 家庭内的冲突不被误判为恋人 ~80
强友情信号 防友情 → 其他误判 ~150
同事职场日常 防同事 → 其他/爱情误判 ~120
爱怀语境 "老公/老婆"不被误判为亲情 ~100
平淡稳定动态 防亲近 ↔ 稳定混淆 ~100
友情↔爱情边界 双向混淆修复 ~60
中性情感带底色 中性情感不被暴力归入正/负 ~40
家庭温暖 防亲情 → 爱情误判 ~50

LLM 合成约 1,600 条,失败自动重试最多 4 轮,失败率从 15% 降到 <5%。


第三步:手工修复补上 LLM 的盲区

LLM 生成的文本有个通病:太像教科书。真实聊天是碎片化的、口语化的、充满省略和指代。

写手工修复样本 90+ 条,直接嵌入 merge_data.py:

# 同事职场日常 — 强职场信号词,防误判为爱情
"项目deadline又提前了,这周又要加班"
"收到,我马上转发给相关部门"
"张总,这是上个月的销售报表,请您过目"
"那个方案客户否了,得重新做"

# 家庭日常 — 非冲突型亲情,防误判为爱情
"爸,我妈让你回家的时候带瓶酱油"
"奶奶,我给你买了新的老花镜"
"姐,周末一起回去看爸妈不"

# 平淡稳定 — 防亲近↔稳定动态混淆
"今天食堂的菜不错,有你爱吃的红烧排骨"
"明天的会议改到下午三点了"

第四步:代码层解决跷跷板效应

补数据遇到一个死循环:补 A 类数据 → A 类 F1 涨 → B/C/D 类 F1 被挤下去。

根因:CrossEntropyLoss 是个零和博弈(softmax 总和恒为 1),一条文本只能属于一个类别。但中文里"老婆"既属于爱情也属于亲情,"发小"既是友情也像亲情。

解决方案:替换为 Focal Loss + Label Smoothing。

def focal_loss_with_smoothing(logits, labels, gamma=2.0, smoothing=0.1):
    """
    Focal Loss:  难样本(边界混淆句)梯度放大,简单样本梯度自动衰减
    Label Smoothing: 目标非零和,允许句子同时归属多个类别
    """
    num_classes = logits.size(-1)
    log_probs = F.log_softmax(logits, dim=-1)
    probs = log_probs.exp()
    with torch.no_grad():
        smooth_labels = torch.full_like(probs, smoothing / (num_classes - 1))
        smooth_labels.scatter_(-1, labels.unsqueeze(-1), 1.0 - smoothing)
    focal_weight = (1 - probs) ** gamma
    loss = -(smooth_labels * focal_weight * log_probs).sum(dim=-1).mean()
    return loss
组件 作用 直觉类比
Focal Loss (γ=2.0) 难样本权重放大 老师更关注差生的错题
Label Smoothing (ε=0.1) 目标不是非黑即白 承认"老婆" 10% 是亲情

效果:不新增任何数据,跷跷板效应显著缓解。


第五步:拥抱中文的模糊性 — Top-K 关系显示

中文里一个人同时是"爱人"和"家人"、"兄弟"和"朋友",这不是模型的缺陷,是语言的事实。

修改 predict.py,第二置信度 >15% 时自动展示:

文本: 老婆,今天加班太累了,早点休息吧
  关系: 爱情 (68.3%) | 亲情 (26.1%)  ← Top-K 展示
  情感: 中性 (89.2%)
  动态: 亲近 (72.5%)

迭代收益总结

版本 数据量 核心改动 平均 F1 关键突破
v1-v3 5,000~7,000 主数据生成 + 尾部补全 — 从 0 到 1
v4 7,998 复合句边界样本 + large 模型 82.3% 换大模型换来的
v5 ~9,000 定向边界修复 (LLM ~1,600条) 83.1% 开始出现跷跷板
v6 ~9,800 Focal Loss + Label Smoothing + 手工修复 + Top-K 85.4% 跷跷板终结者

三句话总结 v6:

  1. 用混淆矩阵定位问题,用定向数据精准打击,不盲目堆数据
  2. Focal Loss + Label Smoothing 从数学层面解决跷跷板,不是 workaround
  3. Top-K 关系输出承认中文的模糊之美,不强求非此即彼

快速开始

pip install onnxruntime tokenizers numpy
import onnxruntime as ort
import numpy as np
from tokenizers import Tokenizer

session = ort.InferenceSession("model.onnx")
tokenizer = Tokenizer.from_file("tokenizer/tokenizer.json")

REL = ["love", "family", "friendship", "colleague", "teacher_student", "stranger", "other"]
SENT = ["positive", "neutral", "negative"]
DYN = ["intimacy", "stable", "distance"]

def predict(text, max_length=256):
    enc = tokenizer.encode(text)
    ids = enc.ids[:max_length]
    mask = [1] * len(ids)
    ids += [0] * (max_length - len(ids))
    mask += [0] * (max_length - len(mask))

    logits = session.run(None, {
   
        "input_ids": np.array([ids], dtype=np.int64),
        "attention_mask": np.array([mask], dtype=np.int64),
    })[0]

    return {
   
        "relation": REL[logits[0, :7].argmax()],
        "sentiment": SENT[logits[0, 7:10].argmax()],
        "dynamic": DYN[logits[0, 10:13].argmax()],
    }

print(predict("下班了一起去喝酒,你叫上老张"))
# {'relation': 'friendship', 'sentiment': 'positive', 'dynamic': 'intimacy'}

协议

MIT License — 开源、免费、可商用。



知更鸟啼鸣,听出话外之音。

相关文章
|
4天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
4809 5
|
4天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
1998 5
|
7天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
7天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
20天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
9564 58
|
2天前
|
传感器 安全 区块链
Windows 电脑运行安卓应用教程:开源工具 ApkStart 双击 APK 即装、独立窗口运行
ApkStart 是一款开源Windows工具,让安卓APP像原生软件一样运行:双击APK即安装、生成真实图标、独立窗口启动、开始菜单可搜索。无需传统模拟器,内置QEMU运行时,支持数据互通、ARM兼容与命令行操作。(239字)
|
14天前
|
Linux 开发工具 iOS开发
2026最新codex下载安装保姆级使用教程(下载+安装+登录+使用,含所有历史版本)
本文详解OpenAI Codex国内快速上手指南:提供Win/macOS/Linux全平台免安装包、npm/Homebrew等多方式安装、账号/API Key双登录、简体中文切换,覆盖下载、安装、汉化、使用及高频避坑(如微软商店失败、npm超时等),10分钟即可跑通。
3260 9
|
20天前
|
JavaScript API iOS开发
DeepSeek Harness下载、安装、配置一篇搞定(2026整理,送常用插件)
DeepSeek Harness(DSH)是DeepSeek于2026年开源的MIT协议AI Agent框架,支持插件化组装模型、工具、沙箱与UI,兼容主流大模型。本文提供免Node.js的桌面端安装包(Win/macOS),含详细图文教程及热门插件推荐。
5957 69
|
3天前
|
人工智能 弹性计算 开发工具
零成本玩各大模型!DeepSeek Harness dsh-our-free-model 插件,13 个厂商模型直接用
总结一下:装这个插件,你不用注册、不用绑卡、不用填一个 Key,就能在 DeepSeek Harness 里用上 DeepSeek V4.1 Flash、Kimi K3 这一批前沿模型,而且是白嫖的、还不限量。三步搞定:下载插件,复制包含 `package.json` 的插件目录路径,在「添加插件」里粘贴路径安装并重启。无论是在阿里云 ECS 上通过命令行部署的 Web 版,还是本地的 Electron 桌面端,都能顺利跑通,快速搭建一套零成本的免费模型使用环境。
908 0