学习情绪研究在远程教学系统中的应用探索

将学习情绪的研究应用到远程教学系统中.针对传统智能教学系统在情感方面的缺陷,介绍了远程教学系统的设计,智能教学系统的模型.该系统主要由情绪模型、认知模型、交互模型、教师模型和学生模型等主要模块构成.概括论述了人脸检测和面部表情识别的一般方法,人机情感交互系统过程和情感模型的建立流程.综合OCC情绪模型和具有反向情绪的二维情绪模型提出了一种新的适合学习情绪研究的情感建模方法,实现远程教学中认知和情感的交互.     

融合情感轮注意力的情感分布学习

情感分布学习是一种近年提出的有效的多情绪分析模型,其核心思路是通过情感分布记录示例在各个情绪上的表达程度,适于处理存在情绪模糊性的情感分析任务。针对现有的情感分布学习方法较少考虑情感心理学先验知识的问题,提出一种基于情感轮注意力的情感分布学习（emotion wheel attention based emotion distribution learning,EWA-EDL）模型。EWA-EDL模型为每种基本情绪生成一个描述情绪心理学相关性的先验情感分布,再通过注意力机制将基于情感轮的先验知识直接融入深度神经网络。EWA-EDL模型采用端到端的方式对深度网络进行训练,同时学习情感分布预测和情绪分类任务。EWA-EDL模型主要由5部分构成,分别为输入层、卷积层、池化层、注意力层和多任务损失层。在8个常用的文本情感数据集上的对比实验表明,EWA-EDL模型在情感分布预测和情绪分类任务上的性能均优于对比的情感分布学习方法。     

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。     

情感增强的对话文本情绪识别模型

针对现有的许多研究忽略了说话人的情绪和情感的相关性的问题，提出一种情感增强的图网络对话文本情绪识别模型——SBGN。首先，将主题和对话意图融入文本，并微调预训练语言模型RoBERTa以提取重构的文本特征；其次，给出情绪分析的对称学习结构，将重构特征分别输入图神经网络（GNN）情绪分析模型和双向长短时记忆（Bi-LSTM）情感分类模型；最后，融合情绪分析和情感分类模型，将情感分类的损失函数作为惩罚以构建新的损失函数，并通过学习调节得到最优的惩罚因子。在公开数据集DailyDialog上的实验结果表明，相较于DialogueGCN模型与目前最先进的DAG-ERC模型，SBGN模型的微平均F1分别提高16.62与14.81个百分点。可见，SBGN模型能有效提高对话系统情绪分析的性能。     

基于自定义空间和OCC模型的情绪建模研究

人类不仅具有逻辑推理的能力，而且具有情感控制、表达的能力。通常使用计算机对人类的能力进行模拟，在人工智能赋予计算机逻辑推理能力之后，如何赋予计算机情绪成为一个重要的研究问题。该文就是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，尝试实现了一个虚拟软件人。这个情感虚拟软件人不仅具有学习、记忆能力，而且具有情感交互能力。     

Sen-BiGAT-Inter:情绪原因对抽取方法

情绪原因对抽取任务是将情绪子句与原因子句同时抽取。针对该任务,现有模型的编码层未考虑强化情感词语义表示,且仅使用单一图注意力网络,因此,该文提出了一个使用情感词典、图网络和多头注意力的情绪原因对抽取方法(Sen-BiGAT-Inter)。该方法首先利用情感词典与子句中的情感词汇匹配,并将匹配的情感词汇与该子句进行合并,再使用预训练模型BERT(Bidirectional Encoder Representation from Transformers)对句子进行表示。其次,建立两个图注意力网络,分别学习情绪子句和原因子句表示,进而获取候选情绪原因对的表示。在此基础上,应用多头注意力交互机制学习候选情绪原因对的全局信息,同时结合相对位置信息得到候选情绪原因对的表示,用于实现情绪原因对的抽取。在中文情绪原因对抽取数据集上的实验结果显示,相比目前最优的结果,该文所提出的模型在 F₁ 值上提升约1.95。     

基于非线性状态空间模型的情感模型研究

如何赋予机器情感智力以实现和谐自然的人机交互是人工情感研究的核心内容,其中情感建模是研究重点和难点.基于心理学的基本情绪论和人格特质论提出了一种非线性情感模型.在模型中首先定义了情绪空间、心境空间和个性空间,确定了心境、个性对情绪的影响关系矩阵;其次采用非线性系统的状态空间模型来模拟人类情感状态的变化;最后对模型进行了仿真,仿真结果表明该模型体现了人类情绪的非线性特点,符合人类情感变化规律.     

基于情感词和多任务卷积神经网络的文本情感分布学习

不同于传统的情感分析范式,情感分布学习采用与示例关联的情感分布对多种情绪进行定量建模,可以较好地处理具有情绪模糊性的情感分析任务。针对现有情感分布学习方法缺乏考虑文本分析任务特有的情感词语言学先验知识的问题,该文提出一种基于情感词和多任务卷积神经网络(Lexicon enhanced Multi-Task Convolutional Neural Network, LMT-CNN)的文本情感分布学习模型,用于预测文本的情感分布和情绪标签。LMT-CNN模型的网络结构由文本语义信息模块、情感词的情感知识模块和多任务预测模块组成,采用端到端方式进行模型训练和预测。在7个常用的文本情感数据集上的对比实验结果表明,LMT-CNN模型具有比已有的情感分布学习方法更优的情感分布预测和情绪分类性能。     

基于社会网络的群体情绪模型

为了能够深入认识群体事件中群体情绪的演化过程,提出了基于社会人际关系的群体情绪模型构建方法。以小世界网络模型构建个体间社会关系,并通过引入情感关系参数表达现实生活中个体间的强情感、弱情感和陌生关系。基于Bosse等人提出的群体情绪模型,以社会网络作为情绪传播媒介对不同类别人际关系情境中群体情绪的演化态势进行了实验模拟,分析了近邻数K、重连概率P和情感关系R对群体情绪涌现所产生的影响。结果表明,情感关系越亲近、近邻数K越大,群体情绪最终的强度则越强烈,情绪涌现所需时间越短;重连概率P对群体情绪强度也有微弱影响,但作用并不十分显见。     

基于多情绪源关联模型的中文微博情感分析

社交媒体信息的爆炸式增长,使得依据其对公众舆论情感的分析受到越来越多的关注。与传统文本不同,新浪微博中存在包括情感词、表情、图片和视频等特征在内的多情绪源,本文针对中文社交短文本情感分析中情感词典时效性问题和多情绪源间的关联性问题,提出了一种多情绪源关联模型。该模型考虑微博中的情感词和表情特征及其之间的关联关系,在经典的词典规则投票方法基础上,引入多情绪源以及关联概率,通过概率建模的方式对情感词和表情两类情绪源建立关联模型,实现对微博情感的判别。实验表明,在6 171条微博数据集中,多情绪源关联模型分类准确率达到了85.3%,强于包含情感词和表情的传统投票模型(83.4%)以及包含同类多特征的SVM方法(82.9%)。     

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。     

情感机器人的情感模型研究

本文建立了仿人类情感的情感模型,在情感模型中建立了三维情感空间,采用马尔可夫过程来描述情感状态的变化转移过程,并提出了性格矩阵,对比分析了不同性格人对相同刺激的反应.应用D-S证据理论融合来自视觉、声音及其他方面的情感信息,分析两种因素同时作用时引起情感状态的转移规律.最后将情感模型应用于情感机器人系统,使机器人可以根据外界刺激产生情感,并做出相应的表情.实验结果证明了情感模型的有效性.     

基于心理能量思想的人工情感模型

从人工情感建模的需要出发,根据动力心理学关于心理能量的理论,提出了情感能量的概念以及基于情感能量的情感状态的数学描述方法,建立了情感状态的能量分布描述空间和情感状态的概率描述空间。在此基础上,进一步分析了情绪状态的变化过程,并提出了情绪状态自发转移过程的马尔可夫链模型以及情绪状态刺激转移过程的隐马尔可夫模型。     

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.     

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。     

基于个性和OCC的机器人情感建模研究

机器人不仅要具有简单的机械作业和逻辑推理能力，还应当具有类似人类的情感能力．本文将个性与情绪、情感、理解、表达相结合，采用OCC模型作为评价标准，建立了符合人类情感规律的、可用于情感机器人的情感模型。通过一个应用上述模型的虚拟人情感交互系统．验证了此模型可以很好的对人类的情感进行仿真．可以应用于情感机器人和人性化计算机、游戏等许多领域。     

虚拟人情感交互技术的研究

提出了基于EHMM的人工心理模型,该模型把情感感知和情感活动通过一个基本HMM过程有机地联系起来,研究结果表明：基于EHMM的人工心理模型符合人类情感变化规律。     

基于人工心理理论的情感模型构建方法研究

人类的智能不仅表现为正常的理性思维和逻辑推理能力,也应表现为正常的情感能力。本文在阐述情感交互系统结构和情感特性的基础上,提出了一种基于HMM的情感模型,并采用情绪熵与情感熵的概念约束模型的初始值,从而使该模型适应不同的性格特征。     

认知视角下的文本情感计算

尝试将认知语用学和情绪心理学相关知识引入到文本情感计算中,以拉扎勒斯的认知一评价理论和认知语用学的认知语境为理论背景,提出一个新的文本情感认知模型。它从情感的发生机制出发,以多种情感图式为基础,考虑否定状态下情感的极性关系等多方面因素,提高了文本情感识别的准确率。情感认知模型是从一个新的视角研究情感识别问题,拓宽了研究的维度和理论背景,提供了新的研究思路。实验证明该模型是有效的。     

基于情感建模的教学辅助系统的研究*

设计了一个以情感交互为核心的人性化的教学辅助系统.该系统综合了情感计算、计算机图形图像技术和移动Agent技术.系统以心理学和人工心理理论为基础构建了情感认知模型,定义了情绪空间、基本情绪和基本学习心理状态,并建立了基本情绪和基本学习心理状态与情绪空间的映射关系.通过情感认知模型对识别表情的处理,得到学生的学习心理状态及状态评价值.采用基于图像处理的人脸检测、表情识别和姿态识别方法编程实现了教学辅助系统.