一种利用神经霍克斯过程的个体情绪过程模拟与预测方法技术

本发明专利技术公开一种利用神经霍克斯过程的个体情绪过程模拟与预测方法，首先设定高兴、悲伤、愤怒、厌恶、恐惧和吃惊6种基本情绪集合；根据基本情绪的强度对事件划分相应的子情绪的类别，从而便于训练；构建训练数据库，记录个体处于25种子情绪下，受到24件具有不同单一情绪标签的事件影响时的情绪动态过程；最后进行个体动态情绪模拟与预测。本发明专利技术根据输入事件的情绪类别标签，利用神经霍克斯过程，能模拟和预测个体受多个事件影响后的情绪动态过程。解决多个事件对情绪影响的模拟与预测问题，例如多个同类事件的综合情绪影响也并不一定是相加的效果；个体的情绪反应也有一定的滞后性，不会立刻产生情绪反应。不会立刻产生情绪反应。不会立刻产生情绪反应。

【技术实现步骤摘要】
一种利用神经霍克斯过程的个体情绪过程模拟与预测方法


[0001]本专利技术涉及利用神经霍克斯过程的个体情绪过程模拟与预测方法，属于信息


技术介绍

[0002]人类情绪过程模拟的意义在于，通过计算机模拟人类情绪过程，可以更好地理解人类情绪的本质和机理，为人工智能、心理学、神经科学等领域的研究提供有力支持。具体来说，人类情绪过程模拟可以帮助人们更好地理解人类情绪的产生和变化过程，从而更好地设计和开发智能机器人、虚拟人物、游戏角色等人机交互系统。这些系统可以更加智能、自然地与人类进行交互，提高用户体验和满意度。总之，人类情绪过程模拟是一项具有广泛应用前景的研究，对于人工智能、心理学、神经科学等领域的发展都具有重要意义。
[0003]人类情绪过程模拟是一个新兴的研究领域，目前在国内外都受到了广泛关注和研究。国外方面，美国、英国、德国等国家的研究机构和高校都在进行相关研究。其中，较为著名的研究机构包括麻省理工学院人机交互实验室、斯坦福大学情感计算实验室等。这些机构在情感计算、人机交互、虚拟现实等领域的研究中，都涉及到了人类情绪过程模拟的相关研究。
[0004]国内方面，清华大学、北京大学、中科院自动化所等高校和研究机构也在进行相关研究。例如，清华大学计算机科学与技术系的研究团队，开展了基于情感计算的人机交互研究，包括情感识别、情感生成、情感表达等方面的研究。此外，一些企业也在开展相关研究，如百度、腾讯等国内互联网巨头都在人机交互、智能客服等领域探索情感计算和人类情绪过程模拟的相关技术。
[0005]现有的情绪生成模型中最基本的是OCC模型，其定义了22种情绪状态，可以满足情绪计算的基本需求，属于基于规则的模型。EMA情绪生成模型则是在其基础上集成了认知和应对行动模块。FLAME系统将OCC模型与模糊逻辑相结合。除了基于规则的模型外，粒子滤波框架被用来模拟多刺激下的不确定情绪状态。霍克斯过程则被用来进行多种情绪之间影响的模拟，简单而言霍克斯过程建立起一种现在状态和过去发生事件之间的一种关联，将用户的情绪状态生成过程看作由特定事件激发的一个点过程，这样用户的情绪强度就是点过程的概率。
[0006]尽管目前在情绪动态生成方面取得很大研究进展，然而由于人类心理的复杂性，对于个体情绪的动态过程模拟及预测还存在诸多难点。例如
①
同类型的事件有可能抑制而不是激发某种情绪；
②
多个同类事件的综合情绪影响也并不一定是相加的效果；
③
个体的情绪反应也有一定的滞后性，不会立刻产生情绪反应。采用最大后验概率及最大似然估计进行参数训练的参数过于简单，无法有效反应事件之间的相互影响关系。

技术实现思路

[0007]针对现有技术存在的上述不足，本专利技术的目的在于提出一种利用神经霍克斯过程
的个体情绪过程模拟与预测方法，解决多个事件对情绪影响的模拟与预测问题，例如多个同类事件的综合情绪影响也并不一定是相加的效果；个体的情绪反应也有一定的滞后性，不会立刻产生情绪反应。
[0008]实现上述目的，本专利技术采用如下技术手段：
[0009]一种利用神经霍克斯过程的个体情绪过程模拟与预测方法，其特征在于，包括如下步骤：
[0010]S1、首先设定高兴、悲伤、愤怒、厌恶、恐惧和吃惊6种基本情绪集合，记为S＝{S
j
,S
sad
,S
a
,S
d
,S
f
,S
sup
}，由于个体可能具有不同的情绪，因此设定混合情绪状态向量E＝(e
i
|i＝1:6)，其中e
i
表示每种基本情绪的强度，其范围为[0,1]；当向量每个维度为0，则该状态向量表示平静；
[0011]S2、根据基本情绪的强度分别划分4个不同的强度等级，再加上平静得到25种子情绪集合，以高兴为例记为S
j
＝{e
js
,e
jr
,e
jn
,e
jl
}，其中下标s,r,n,l分别表示强烈、较强、一般、微弱4种离散情绪强度，每种子情绪的强度为一个概率值；情绪分为6个维度，每个维度分为4个强度等级，所有情绪维度均低于微弱水平则表示平静；这样就可以对事件划分相应的子情绪的类别，从而便于训练；
[0012]S3、构建训练数据库，记录个体处于25种子情绪下，受到24件具有不同单一情绪标签的事件影响时的情绪动态过程；训练库数据可以通过调查问卷、表情识别或体征识别等多种方法得到；
[0013]S4、基于神经霍克斯过程的个体动态情绪模拟与预测：
[0014]①
利用经过训练的神经霍克斯过程中集成的LSTM模块，根据输入的事件类别标签进行推理；例如给出事件的情绪类别是令人高兴的事件，本方法能够推理出个体受该事件影响后的高兴情绪强度及衰退过程；
[0015]②
根据LSTM中隐藏状态向量确定个体接收到事件后所产生的情绪类别、强度；
[0016]③
根据LSTM中的记忆单元确定个体所产生相应情绪的衰退参数；
[0017]④
个体上个时刻的情绪状态向量结果是下个时刻情绪状态向量的输入；
[0018]其中，神经霍克斯过程通过集成了长短期记忆网络(LSTM)达到学习强度对过去事件的数量、顺序和时间的复杂依赖性的目的。
[0019]进一步，所述步骤S3构建训练数据库，包括获取待模拟及预测用户对不同事件的情绪反应数据{N
i
,E
t1
...E
tn
}，其中N
i
为事件的情绪类别标签，E
t1
为个体在各采样周期内的情绪向量；其中，需要对事件内容进行分类、标记，还需要进行个体对事件产生情绪的采样与量化；针对由高兴、悲伤、愤怒、厌恶、恐惧和吃惊六种基本情绪，强度不同而细分得到25种子情绪，情绪强度按强烈、较强、一般、微弱递减；
[0020]利用双向反馈机制，并利用随机梯度下降算法训练出权重矩阵W和U；其中，LSTM输入向量维度大小为6，分别对应六种基本情绪；隐藏状态维度大小设为12～18，深度为1～2层，并设置偏置；事件的情绪类别向量作为初始输入，采样的个体情绪状态向量序列作为后续输入。
[0021]其中，所述步骤S3中对事件进行标记，事件所具有的单一情绪标签所表示情绪强度和前面定义的子情绪强度一致，因不包含平静事件，故而共有24类；一个事件可以拥有一个情绪类别标签，也可以拥有多个情绪类别标签，即可以激发多种情绪。
[0022]其中，所述步骤S3中情绪向量的动态数据获得方法，包括：
[0023]A、个体主观进行陈述，即采用调查问卷的方式，让个体自主填写对不同事件的反应情绪向量及强度，并给出情绪消退前等长间隔的特定时刻的采样情绪强度；
[0024]B、通过面部表情进行识别，即采用常见的表情识别算法识别出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用神经霍克斯过程的个体情绪过程模拟与预测方法，其特征在于，包括如下步骤：S1、首先设定高兴、悲伤、愤怒、厌恶、恐惧和吃惊6种基本情绪集合，记为S＝{S
j
,S
sad
,S
a
,S
d
,S
f
,S
sup
}，由于个体可能具有不同的情绪，因此设定混合情绪状态向量E＝(e
i
|i＝1:6)，其中e
i
表示每种基本情绪的强度，其范围为[0,1]；当向量每个维度为0，则该状态向量表示平静；S2、根据基本情绪的强度分别划分4个不同的强度等级，再加上平静得到25种子情绪集合，以高兴为例记为S
j
＝{e
js
,e
jr
,e
jn
,e
jl
}，其中下标s,r,n,l分别表示强烈、较强、一般、微弱4种离散情绪强度，每种子情绪的强度为一个概率值；情绪分为6个维度，每个维度分为4个强度等级，所有情绪维度均低于微弱水平则表示平静；这样就可以对事件划分相应的子情绪的类别，从而便于训练；S3、构建训练数据库，记录个体处于25种子情绪下，受到24件具有不同单一情绪标签的事件影响时的情绪动态过程；训练库数据可以通过调查问卷、表情识别或体征识别等多种方法得到；S4、基于神经霍克斯过程的个体动态情绪模拟与预测：
①
利用经过训练的神经霍克斯过程中集成的LSTM模块，根据输入的事件类别标签进行推理；例如给出事件的情绪类别是令人高兴的事件，本方法能够推理出个体受该事件影响后的高兴情绪强度及衰退过程；
②
根据LSTM中隐藏状态向量确定个体接收到事件后所产生的情绪类别、强度；
③
根据LSTM中的记忆单元确定个体所产生相应情绪的衰退参数；
④
个体上个时刻的情绪状态向量结果是下个时刻情绪状态向量的输入；其中，神经霍克斯过程通过集成了长短期记忆网络LSTM达到学习强度对过去事件的数量、顺序和时间的复杂依赖性的目的。2.根据权利要求1所述利用神经霍克斯过程的个体情绪过程模拟与预测方法，其特征在于，所述步骤S3构建训练数据库，包括获取待模拟及预测用户对不同事件的情绪反应数据{N
i
,E
t1
...E
tn
}，其中N
i
为事件的情绪类别标签，E
t1
为个体在各采样周期内的情绪向量；其中，需要对事件内容进行分类、标记，还需要进行个体对事件产生情绪的采样与量化；针对由高兴、悲伤、愤怒、厌恶、恐惧和吃惊六种基本情绪，强度不同而细分得到25种子情绪，情绪强度按强烈、较强、一般、微弱递减；利用双向反馈机制，并利用随机梯度下降算法训练出权重矩阵W和U；其中，LSTM输入向量维度大小为6，分别对应六种基本情绪；隐藏状态维度大小设为12～18，深度为1～2层，并设置偏置；事件的情绪类别向量作为初始输入，采样的个体情绪状态向量序列作为后续输入。3.根据权利要求1所述利用神经霍克斯过程的个体情绪过程模拟与预测方法，其特征在于，所述步骤S3中对事件进行标记，事件所具有的单一情绪标签所表示情绪强度和前面定义的子情绪强度一致，因不包含平静事件，故而共有24类；一个事件可以拥有一个情绪类别标签，也可以拥有多个情绪类别标签，即可以激发多种情绪。4.根据权利要求1所述利用神经霍克斯过程的个体情绪过程模拟与预测方法，其特征在于，
所述步骤S3中情绪向量的动态数据获得方法，包括：A、个体主观进行陈述，即采用调查问卷的方式，让个体自主填写对不同事件的反应情绪向量及强度，并给出情绪消退前等长间隔的特定时刻的采样情绪强度；B、通过面部表情进行识别，即采用常见的表情识别算法识别出个体的表情，然后计算出每个等长间隔时刻的采样情绪类别与...

【专利技术属性】
技术研发人员：向南，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：