基于情感从属和最大熵模型的细粒度观点挖掘

目前许多观点挖掘方法挖掘粒度过大,导致反馈信息不足。为解决该问题,对标准LDA模型进行改进,提出主题情感联合最大熵LDA模型进行细粒度观点挖掘。首先,考虑到词的位置和语义信息,在传统LDA模型中加入最大熵组件来区分背景词、特征词和观点词,并对特征词和观点词进行局部和全局的划分;其次,在主题层和单词层之间加入情感层,实现词语级别的细粒度情感分析,并引入情感转移变量来处理情感从属关系,同时获取整篇评论和每个主题的情感极性,实验验证了所提模型和理论的有效性。     

一种基于多种机制的智能体情感建模方法

在行为仿真中为智能体建立情感能力,能够使之表现更为逼真。在心理学理论的基础上,提出了一种新的基于多种机制的情感模型,并建立了情感智能体,实现智能体的情感能力。仿真实验的结果,验证了此模型的合理性和有效性,且表明具有情感的智能体,更能反映动物行为的本体和真实性。     

一种基于最大熵模型的邮件过滤方法

根据电子邮件中正常邮件和垃圾邮件的概率特性,将在信号处理领域应用广泛的最大熵模型引入到邮件过滤中,并结合邮件的半结构化特性,形成邮件特征向量,给出传统特征函数的改进定义.在此基础上,构造出基于最大熵模型的邮件过滤方法的基本框架.实验结果表明,这种过滤方法表现出了良好的性能.     

基于马尔可夫链的情感计算建模方法

定义了情感的两种状态及其两个基本的变化转移过程,并应用马尔可夫链构造了一个情感概率空间,建立模拟情感变化的情感模型,给出了情感能量、情感强度和情感熵等概念,用以描述情感特征与情感状态。通过Matlab的仿真计算,验证此模型可较好地模拟情感状态自发转移的动态过程,可用于情感机器人的情感模拟计算。为情感计算和情感自动生成理论研究提供了一种新途径。     

基于OCC的Agent情感模型研究

Agent不仅要具有逻辑推理能力,还应当具有类似人类的情感能力。通过对情感理论的分析,提出了一个基于OCC的Agent情感模型,使Agent能够模拟像人类一样的认知能力和情感能力,从而行为决策更加智能。通过模型在虚拟环境角色中的应用结果,验证了此模型的合理性。     

基于安全熵的访问控制模型量化分析方法

针对访问控制模型的量化分析问题,提出基于安全熵的安全性量化分析方法。结合信息论有关知识引入安全熵概念,基于安全熵对模型的安全性进行定义;应用该方法对BLP等经典安全模型进行了量化分析,验证了该方法的实用性,并指出了访问控制模型和BLP模型对非授权间接访问防护方面的不足。实验结果表明,该方法适用于访问控制模型的安全性度量以及系统的访问控制能力评估。     

情绪建模与情感虚拟人研究

以人工心理和基本的情绪理论为基础，在三维情绪空间中将个性和OCC模型相结合，建立了一个情绪模型。并将此模型作为情感核心，采用VB和Viavoice、科大讯飞以及TalkingShow应用软件尝试实现了一个情感虚拟人。这个情感虚拟人不仅具有学习、记忆能力，而且具有情感交互能力。     

基于人工心理理论的情感模型建立及其数值仿真

以人工心理理论为基础,对情感计算作了初步的探索性研究.将情感状态划分为不连续的状态并构成情感空间,其熵值表达情感的细腻程度;将情感状态在情感空间内的转移视为一个马尔可夫过程;用情感熵与情感空间的熵值之比--情感的波动系数,来表示在相同维数的情感空间里情感行为的动荡程度.数学模拟证实了该情感模型符合人类情感规律.     

基于单层标注级联模型的篇章情感倾向分析

情感分类是目前篇章情感分析的主要方法,但该方法存在难以融入中文结构特征的问题。针对此问题,采用级联模型对篇章情感倾向进行分析,将篇章情感倾向分析分为两层 小句级和篇章级,对篇章情感倾向分析引入小句级的情感分析。该文使用最大熵模型处理小句级情感分类,小句级的输出作为上层篇章级的输入,并结合句型特征和句子位置等信息作为特征,采用支持向量机模型进行篇章级情感分类。同时对于级联模型中双层标注问题,基于交叉验证的思想提出了单层标注级联模型,避免了多层标注工作以及错误。实验结果表明,该方法的准确率较传统情感分类方法提高了2.53%。     

情感主体形式模型

为使主体能够有效处理情感,具有更高的智能性,本文提出一种情感主体的形式化描述模型.分3个层次,给出情感主体心智状态、情感主体心智状态更新、以及情感主体模型的形式化定义.并通过对基本情感的更新过程的公理推导,说明了该模型能够充分体现情感主体的本质特征和运行机制,有较强的表达能力和扩展能力,为构建支持情感推理的情感规则库提供理论依据.然后对情感更新过程进行直观描述,并给出情感主体的体系结构.仿真实验表明,情感主体能够合理产生情感反应并作出更优智能决策,从而验证该模型的有效性.     

情感计算数学模型的研究初探

针对计算机如何进行情感计算，提出一种情感空间的概率模型并对其进行了计算机仿真。通过构造状态的概率转移矩阵，得到每个情感状态的概率分布，从而计算出情感的熵值。情感的熵值，表达出所构造的情感的细腻程度。通过计算机仿真，验证了情感模型是符合人类情感规律的——不确定性同时又具有统计规律。最后通过不同参数的仿真，说明此模型可以产生不同的情感活动，为情感机器人数学模型的建立与情感决策支持系统提供了一种新的方法。     

基于多任务学习的多语言语音情感识别方法

由于人类情感的表达受文化和社会的影响,不同语言语音情感的特征差异较大,导致单一语言语音情感识别模型泛化能力不足。针对该问题,提出了一种基于多任务注意力的多语言语音情感识别方法。通过引入语言种类识别辅助任务,模型在学习不同语言共享情感特征的同时也能学习各语言独有的情感特性,从而提升多语言情感识别模型的多语言情感泛化能力。在两种语言的维度情感语料库上的实验表明,所提方法相比于基准方法在Valence和Arousal任务上的相对UAR均值分别提升了3.66%~5.58%和1.27%~6.51%;在四种语言的离散情感语料库上的实验表明,所提方法的相对UAR均值相比于基准方法提升了13.43%~15.75%。因此,提出的方法可以有效地抽取语言相关的情感特征并提升多语言情感识别的性能。     

人机交互中的智能体情感计算研究

机器的情感是通过融入具有情感能力的智能体实现的,虽然目前在人机交互领域已经有大量研究成果,但有关智能体情感计算方面的研究尚处起步阶段,深入开展这项研究对推动人机交互领域的发展具有重要的科学和应用价值。本文通过检索Scopus数据库选择有代表性的文献,重点关注情感在智能体和用户之间的双向流动,分别从智能体对用户的情绪感知和对用户情绪调节的角度开展分析总结。首先梳理了用户情绪的识别方法,即通过用户的表情、语音、姿态、生理信号和文本信息等多通道信息分析用户的情绪状态,归纳了情绪识别中的一些机器学习方法。其次从用户体验角度分析具有情绪表现力的智能体对用户的影响,总结了智能体的情绪生成和表现技术,指出智能体除了通过表情之外,还可以通过注视、姿态、头部运动和手势等非言语动作来表现情绪。并且梳理了典型的智能体情绪架构,举例说明了强化学习在智能体情绪设计中的作用。同时为了验证模型的准确性,比较了已有的情感评估手段和评价指标。最后指出智能体情感计算急需解决的问题。通过对现有研究的总结,智能体情感计算研究是一个很有前景的研究方向,希望本文能够为深入开展相关研究提供借鉴。     

基于人脸表情特征的情感交互系统*

设计了一套基于人脸表情特征的情感交互系统(情感虚拟人),关键技术分别为情感识别、情感计算、情感合成与输出三个方面。情感识别部分首先采用特征块的方法对面部静态表情图形进行预处理,然后利用二维主元分析(2DPCA)提取特征,最后利用多级量子神经网络分类器实现七类表情识别分类;在情感计算部分建立了隐马尔可夫情感模型(HMM),并且用改进的遗传算法估计模型中的参数;在情感合成与输出阶段,首先采用NURBS曲面和面片相结合的算法,建立人脸三维网格模型,然后采用关键帧技术,实现了符合人类行为规律的连续表情动画。最后完成了基于人脸表情特征的情感交互系统的设计。     

家庭服务机器人情感计算模型的研究

根据基本情感理论建立了家庭服务机器人的情感状态概率空间模型,并应用马尔可夫链的特性,建立了基于隐马尔可夫模型的情感计算模型.详细地阐述了该情感计算模型中各参数的意义以及估算方法.通过仿真实验验证了该情感计算模型可以较好地模拟情感状态的自发转移,以及在外部刺激作用下的情感转移.通过对实验数据分析,发现机器人的情感经外部刺激作用或者自发演变,最终趋于稳定状态,这个稳定状态与情感转移概率矩阵有关,而与机器人所处的初始情感状态无关.     

改进CNN的多通道语义合成情感分类模型研究

为了解决传统神经网络由于上下文语序变化而导致的情感歧义问题,提出一种多通道语义合成卷积神经网络（SFCNN）。使用改进的情感倾向注意力机制对词向量进行情感加权操作;将情感倾向词向量进行多通道语义合成,生成带有文本上下文语义信息的深度语义向量,构建情感分类模型;使用自适应学习率的梯度下降算法对模型参数进行优化,完成行情感分类任务。为了验证改进算法的有效性,使用多种微博数据样本集在提出的模型上进行对比实验。实验结果表明,改进的情感倾向注意力机制结合多通道语义合成卷积神经网络具有较好的情感分类能力,并且自适应学习率的梯度下降算法可以更快地完成模型收敛工作。     

基于情绪心理学的情感建模

基于情绪心理学的基本理论，定义了个性空间、情感空间和心情空间，建立了个性与心情、心情与情感的映射关系，给出了心情与情感状态更新方程，提出了一种能够合理反映人类情感变化规律的情感计算模型。实验表明，该模型能合理反映出在外界刺激作用下，不同个性者心情状态和情感状态的波动过程，为情感机器人的情感决策提供了一种新的机制。     

基于PAD情感模型的可训练语音合成研究

情感语音合成是情感计算和语音信号处理研究的热点之一,进行准确的语音情感分析是合成高质量情感语音的前提.文中采用PAD情感模型作为情感分析量化模型,对情感语料库中的语音进行情感分析和聚类,获得各情感PAD参数模型.由HMM语音合成系统合成的情感语音,通过PAD模型进行参数修正,使得合成语音的情感参数更加准确,从而提高情感语音合成的质量.实验表明该方法能较好地提高合成语音的自然度和情感清晰度,在同性别不同说话人中也能达到较好的性能.     

Expressing emotions in blogs: The role of textual paralinguistic cues in online venting and social sharing posts

Textual paralanguage cues (TPC) have been signaled as effective emotion transmitters online. Though several studies have investigated their properties and occurrence, there remains a gap concerning their communicative impact within specific psychological processes, such as the social sharing of emotion (SSE, Rimé, 2009). This study content-analyzed Live Journal blogposts for the occurrence of TPC in three phases of online SSE: initiation, feedback and repost. We compared these to TPC on a second type of emotional expression, emotional venting. Based on Social Information processing theory (SIP, Walther, 1992), and on the Emotional Mimicry in Context (EMC, Hess & Fischer, 2013) framework, we study predictive relationships in TPC usage in our phased model of online SSE. Results showed that TPC prevailed in SSE blogposts and strongly dominated in emotional venting posts. TPC was more common in affective feedback than cognitive. Moreover, the presence of tactile affective cues (i.e., hugs, kisses) in the initiation post predicted their presence in affective feedback. Results lend support to the idea that TPC are used in socio-contextual ways in online SSE and particularly extrapolate certain FtF nonverbal behaviors, such as the provision of socio-affective touch.