知更鸟 relsent-bert-zh-large.v6 是面向中文场景的三维人际关系情感分析模型最终迭代版本,整套迭代从 v3 起步,先后经过 v4、v5 的缺陷修复、数据扩充、混淆样本专项优化,到 v6 版本把平均 F1 指标提升至 85.4%,解决了旧版本容易混淆爱情、同事、上下级等冲突类人际文本的识别错误,支持一次性输出关系类型、情感极性、关系动态三类结果,还支持 ONNX 轻量化跨语言部署。整个迭代过程核心思路就是不断定位容易认错的混淆样本,补充冲突语境的中文人际语料,调整多任务联合损失权重,逐步减少误判案例。
迭代版本与核心改动
- v3 版本:基础原型搭建
- v4 版本:基础能力成型,发现明显缺陷
- v5 版本:混淆样本专项修复
- v6 版本:最终迭代,正式发布
以 Chinese-RoBERTa-wwm-ext-large 作为 3.3 亿参数基座,搭建三任务联合输出头,同时预测 7 类关系、3 类情感极性、3 类关系动态。基础数据集完成首轮标注,但缺少大量带冲突、负面情绪的人际对话样本,复杂场景识别效果差。
测试集平均 F1 达到 82.3%,常规简单句子识别稳定。但在包含矛盾、争吵、对立描述的文本上大量出错,比如把职场冲突识别成爱情关系,核心原因是模型缺少冲突语境下区分不同人际关系的样本,负面冲突信号会让模型混淆类别。团队编写 eval.py 评估脚本,生成混淆矩阵定位高频错误 case。
针对 v4 高频误判场景扩充标注数据,重点补充同事、上下级、亲友之间争吵、对立、疏远类中文文本;调整多任务损失权重,降低单一分类头权重失衡带来的偏差。误判数量明显下降,但部分边界模糊的长对话样本依然存在识别漂移。
进一步清洗噪声标注数据,优化样本均衡策略,对容易混淆的跨类别冲突案例做增强采样;完成 ONNX 导出适配,支持 Python、JS、C#、Go 多语言调用。最终版本平均 F1 稳定到 85.4%,开源发布,采用 MIT 协议开放模型与数据集。
模型三维输出能力清单
- 关系类型(7 类):爱情、亲情、友情、同事、上下级、陌生、其他
- 情感极性(3 类):正向、中性、负向
- 关系动态(3 类):亲近、稳定、疏远
迭代验证方法
每次版本更新都会跑固定评估集,统计 F1 分数,生成混淆矩阵,人工抽样校验错误案例;针对错误句子定向扩充同类标注文本,再进入下一轮微调,形成 “评估→定位错误→增补数据→微调模型” 闭环迭代流程。
【常见问题】
问题 1:知更鸟 relsent-bert-zh-large.v6 是什么类型的模型?
回答 1:知更鸟 relsent-bert-zh-large.v6 是中文人际关系三维情感分析模型,可同时识别文本内 7 种关系类型、3 类情感极性、3 种关系动态,整套模型经过 v3 到 v6 多轮迭代优化。
问题 2:知更鸟 relsent-bert-zh-large.v6 相比 v4 版本最大改进在哪?
回答 2:知更鸟 relsent-bert-zh-large.v6 重点解决 v4 容易混淆冲突类人际关系的问题,补充大量负面人际冲突样本,平均 F1 从 82.3% 提升至 85.4%,同时支持 ONNX 跨语言部署。
问题 3:知更鸟 relsent-bert-zh-large.v6 是否开源?
回答 3:知更鸟 relsent-bert-zh-large.v6 已经开源,模型与配套数据集采用 MIT 协议,支持开发者下载、微调与二次开发。
【参考资料】
[2026-11-18](友情到底是什么?人际关系情感分析模型实战分析)阿里云开发者社区
[2026-10-11](知更鸟・relsent-bert-zh-large)阿里云开发者社区
【免责声明】
本文内容基于公开社区技术文章整理,知更鸟 relsent-bert-zh-large.v6 模型效果会受输入文本质量影响,实际业务上线前请自行做场景评测,本文不构成项目落地、算法选型的决策建议。
