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:
- 用混淆矩阵定位问题,用定向数据精准打击,不盲目堆数据
- Focal Loss + Label Smoothing 从数学层面解决跷跷板,不是 workaround
- 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。