楊 勇，張志瑜

（重慶郵電大學計算機科學與技術(shù)研究所，重慶 400065）

0 引言

讓計算機具有情感能力，首先是由人工智能創(chuàng)始人之一，1970年計算機圖靈獎獲得者，美國MIT的Minsky教授提出的。他在1985年的專著“The Society of Mind”中提出，問題不在于智能機器能否有情感，而在于沒有情感的機器能否實現(xiàn)智能［1］。美國MIT實驗室的Picard教授［2］于1995年提出情感計算的概念，并在其專著“Affective Computing”中指出“情感計算是關(guān)于、產(chǎn)生于、或故意影響情感方面的計算”。1999年，北京科技大學王志良教授［3］提出了人工心理理論，研究人的情感、意志、性格、創(chuàng)造等心理活動。無論情感計算還是人工心理理論，情感建模都是他們研究的一個核心問題。

盡管目前有很多關(guān)于情感的模型出現(xiàn)，但在實際應(yīng)用中仍然存在一些限制和不足:對模糊情感并沒有很好地進行描述;沒有很好地將性格與情感聯(lián)系起來;大多數(shù)模型都只是針對某一特定領(lǐng)域，缺乏通用性。本文利用FFM（five－factormodel）構(gòu)造個性空間、PAD（pleasure－arousal－dominance）模型構(gòu)造心情空間、狀態(tài)空間模型構(gòu)建情感空間，定量描述了個性、心情及情感三者之間的關(guān)系。通過仿真實驗驗證，該情感模型能較為準確地描述人類情感變化規(guī)律。

1 情感建模研究進展

1988年，Ortony，Clore和 Collins等［4］從情感產(chǎn)生的認知角度，根據(jù)Event，Agent和Object3個方面的評價標準將情感分為22種狀態(tài)，提出了著名的OCC（ortony clore collins）模型。該模型是早期對于人類情感研究提出的最完整模型之一，也易于在計算機上實現(xiàn)，其后，基于OCC的很多改進模型被提了出來，如 1992 年 Elliott［5］提出的 Affective Reasoner。1995 年 MIT 的 Picard 教授［2］提出將 HMM（hidden markov model）運用到情感建模中，北京科技大學的王志良教授等［6］對HMM模型做了更加深入的研究，取得了較大成果。2002年，魏哲華［7］提出了狀態(tài)空間法的情感建模，該模型基于情感的范疇觀理論來建模，并提出了情感熵的概念來對模型進行度量。Kshirsagar和 Thalmann［8］提出“性格－心情－情感－表情”多層情感模型，很好地將人的性格與情感聯(lián)系了起來，并且成功地應(yīng)用到了虛擬人的面部表情合成中。2005年 Gebhard［9］對 Kshirsagar的工作進行了擴展，引入PAD模型來描述心情，提出了 ALMA（alayered model affect）模型。2006年，Hernández，Noguez，Suear 等［10］將 OCC 模型與動態(tài)決策網(wǎng)絡(luò)相結(jié)合來建立情感模型，并將之成功用到了移動機器人的ITS（intelligent tutoring system）中。2007年，滕少冬、王志良、王莉等［11］根據(jù)動力心理學關(guān)于心理能量的理論，提出情感能量的概念以及基于情感能量的情感狀態(tài)的數(shù)學描述方法，建立了情感狀態(tài)的能量分布描述空間和情感狀態(tài)的概率描述空間。2008年，孟秀艷和王志良［12］參考PAD模型定義了二維的心境空間來描述心情，并采用非線性系統(tǒng)的狀態(tài)空間模型來模擬人類情感狀態(tài)的變化。2009年，胡博超、陳海山［13］以O(shè)CC為基礎(chǔ)，首次結(jié)合粒子系統(tǒng)和有源場建立人工情感模型，利用粒子系統(tǒng)的運動狀態(tài)來表示模型當前的情感狀態(tài)。2010年，朱颯颯和王?。?4］將線性系統(tǒng)理論和數(shù)字信號處理方法應(yīng)用到情感信號與系統(tǒng)建模上，用信號表示人類的內(nèi)在情感和情緒。吳偉國、孟慶梅和曲建?。?5］提出基于擴展有限狀態(tài)機建立人工情感模型的方法。

盡管情感建模的研究已經(jīng)取得了較大的成就，上述模型也能夠在一定程度上解決特定領(lǐng)域的一些問題，但仍然存在以下幾方面的不足:對模糊情感并沒有很好地進行描述;沒有很好地將性格與情感聯(lián)系起來;大多數(shù)模型都只是針對某一特定領(lǐng)域，缺乏通用性。所以本文提出了一種基于PAD的個性化情感模型來解決這些問題。

2 相關(guān)研究基礎(chǔ)

情感建模主要以現(xiàn)有心理學成果及人工心理學理論為基礎(chǔ)，因此相關(guān)的基礎(chǔ)研究是必要的。

2.1 FFM

在心理學界目前應(yīng)用較廣的用來描述個性的模型是 FFM［16］，其 5 個因子分別為:開放性（openness）、責任性（conscientiousness）、外向性（extraversion）、宜人性（agreeableness）、神經(jīng)質(zhì)（neuroticism）。各個特質(zhì)的描述如表1所示。

表1 五因素模型的描述Tab.1 Description of the five－factormodel

2.2 PAD模型

關(guān)于心情的概念，心理學界還沒有統(tǒng)一的定義，文獻［9］采用PAD模型［17］來描述心情。PAD模型具有愉悅度、激活度和優(yōu)勢度3個維度。P代表愉悅度，表示個體情感狀態(tài)的正負特性;A代表激活度，表示個體的神經(jīng)生理激活水平;D代表優(yōu)勢度，表示個體對情景和他人的控制狀態(tài)。各維度上的數(shù)值范圍為［－1，+1］，－1表示在此維度上的值最低，而+1表示在此維度上的值最高。

幾種基本情感的PAD值［9］如表2所示。

表2 幾種基本情感與PAD空間的對應(yīng)關(guān)系Tab.2 Corresponding relationship between the common basic emotions and the PAD space

2.3 狀態(tài)空間模型

對情感的描述，不同的科學家有不同的解釋，文獻［7］采用狀態(tài)空間模型來構(gòu)造情感空間，該模型基于情感的范疇觀理論。情感的范疇觀理論認為，存在幾種相互獨立的基本情感，其線性組合構(gòu)成了人的全部情感。Ekman［18］把基本情感分為6類，即高興、憤怒、恐懼、厭惡、悲傷、驚奇，此方法在心理學界和工程界占有主體地位。

為簡單起見，暫且假設(shè)基本情感僅包含最簡單的高興、憤怒和恐懼3種。

如圖1所示，3個維度的基本情感構(gòu)成了一個三維情感空間，為進一步簡化問題，情感狀態(tài)的每一個維度僅取0，0.5，1 3個數(shù)值，代表在這個維度上的強度值，于是就構(gòu)成了一個具有27個狀態(tài)點的情感空間，情感的活動就成為在這個封閉情感空間的各狀態(tài)點的馬爾可夫轉(zhuǎn)移過程。

如果推廣到一般，假設(shè)基本情感具有m種，每種基本情感可以劃分為n個級別，于是情感空間就具有nm個情感狀態(tài)，令l=nm，于是得到l維的馬爾可夫概率轉(zhuǎn)移矩陣Pemotion為

（1）式中，pi，j為第i個情感狀態(tài)到第j個情感狀態(tài)的轉(zhuǎn)移概率，并且滿足如下關(guān)系

至此，就構(gòu)建了情感變化的概率性模型，這樣的情感空間把每個情感狀態(tài)點都細分為不同的強度，并且情感狀態(tài)點在情感空間中的相隔距離遠近影響到其轉(zhuǎn)移概率大小。

為了整體評判情感模型的表現(xiàn)，文獻［7］借用信息熵的概念，定義情感熵為

（3）式中:Entropy為情感模型的情感熵;pi為第i種情感狀態(tài)出現(xiàn)的概率。情感熵越大，則情感空間中向某一種情感變化的傾向越小;情感熵越小，則情感空間中向某一種情感變化的傾向越大。因此，情感熵表征了情感空間描述的情感復(fù)雜的程度，情感熵越大，情感越復(fù)雜，反之則越簡單。

構(gòu)造情感空間時，不僅要考慮情感熵，文獻［7］還從對現(xiàn)實生活的觀察，總結(jié)出以下3點概率分布方面的約束。

1）某一時刻情感空間里的某一情感狀態(tài)，在下一時刻仍然處于原狀態(tài)的概率是最大的，到其他情感狀態(tài)的概率隨距離的遠離而單調(diào)下降。

2）在沒有外界干擾的情況下，原點附近應(yīng)是情感狀態(tài)的平穩(wěn)點，就是說情感在總的來看，應(yīng)是逐漸向原點過渡。

3）具有相互矛盾的情感狀態(tài)出現(xiàn)概率最小。

2.4 相關(guān)工作總結(jié)

狀態(tài)空間模型的優(yōu)點是可以很有效地描述模糊情感，但是其缺點是，該模型實質(zhì)上是一個封閉的模型，它割裂了性格同情感之間的聯(lián)系，并不能反映人類真實的情感變化。PAD模型則從另一個角度對情感進行了詮釋，利用3個相對獨立的維度來描述情感，它的優(yōu)點是能有效地區(qū)分某些其他模型不太容易區(qū)分的情感狀態(tài)，但是它的缺點是各個維度的意義比較抽象，不太適合于直接描述人類顯性的情感。對于性格描述來說，目前應(yīng)用比較廣泛的FFM則是一個很好的選擇，它利用5個維度的空間來為個性建模，其對個性較好的描述使其成為了一個比較成熟的個性模型。

3 模型建立

3.1 基本概念

本文所建立的模型設(shè)計到個性、心情、情感三者的關(guān)系，因此先給出相關(guān)概念及量化處理方法，并提出基本情感強度的概念來描述情感的狀態(tài)。

3.1.1 個性空間

個性即性格，是心理學中的一個重要概念，指個體行為的內(nèi)部傾向性的心理特征［19］，包含了一個人區(qū)別于他人的、穩(wěn)定而統(tǒng)一的心理品質(zhì)，對人的情感產(chǎn)生、變化有著很大的影響。在本文中，人的個性被認為是恒定不變的。

個性空間采用FFM來構(gòu)造。

個性向量表示為一個5維向量。

3.1.2 心情空間

關(guān)于心情的概念，心理學界還沒有統(tǒng)一的定義，文獻［9］采用PAD模型來描述心情。

基于此，心情空間采用PAD模型來描述。

定義心情向量為一個3維向量

3.1.3 情感空間

情感是人對客觀事物的態(tài)度的體驗［20］，是人的需要是否獲得滿足的反映。情感空間采用狀態(tài)空間模型來構(gòu)造，假設(shè)基本情感具有m種，每種基本情感可以劃分為n個級別，于是情感空間就具有nm個節(jié)點，即nm個情感狀態(tài)。

3.1.4 基本情感強度

為方便討論，令l=nm。假設(shè)情感空間中第j個 節(jié) 點 的 坐 標 為該節(jié)點出現(xiàn)的概率為pj。則所有節(jié)點坐標在第i個維度上的分量可表示為一個向量 ［vi，1，vi，2，…，vi，l］，由于第i個維度對應(yīng)于第i種基本情感，因此該向量表示的是情感在節(jié)點間轉(zhuǎn)移時，第i種基本情感的強度變化。在轉(zhuǎn)移概率矩陣保持不變的一個相對較短的時間內(nèi)，該基本情感的強度可借鑒數(shù)學期望的概念，用一種平均強度來描述。

因此，定義基本情感強度為

（4）式中，Expectationi為情感空間中第i種基本情感的強度，它表征的是第i種基本情感的平均強度值，值越大，則該基本情感越強烈，反之，則越不強烈。

3.2 個性、心情及情感相互關(guān)系

情感的變化是在個性、心情共同作用下的結(jié)果，并且心情受個性的影響，因此先給出個性與心情之間的關(guān)系，接著提出一種新的心情與情感之間的映射關(guān)系。

3.2.1 個性空間與心情空間的映射

個性是一個5維空間，心情是一個3維空間，為此建立個性與心情的映射關(guān)系為［21］

（5）式中:P，A，D分別代表Pleasure，Arousal，Dominance;O，C，E，A，N分別代表Openness，Conscientiousness，Extraversion，Agreeableness，Neuroticism。

定義為個性與心情映射矩陣。

3.2.2 心情空間與情感空間的映射

定義情感空間中歐式距離矩陣為

（7）式中，di，j，i=1，2，…，l為情感空間中第i個節(jié)點到第j個節(jié)點的歐式距離。它表征2個情感狀態(tài)間轉(zhuǎn)移概率的大小，若2個節(jié)點距離越遠，則情感狀態(tài)在2個節(jié)點間轉(zhuǎn)移的概率越低;反之則越高。

定義情感空間中狀態(tài)轉(zhuǎn)移概率矩陣為

（8）式中，pi，j為情感空間中第i個節(jié)點到第j個節(jié)點的轉(zhuǎn)移概率。并且滿足如下關(guān)系

假設(shè)一個節(jié)點到另一節(jié)點的轉(zhuǎn)移概率反比于它們之間的歐式距離，即

（10）式中，Ci是常數(shù)，i∈ {1，2，…，l}。聯(lián)立式和式即可求出pi，j，于是便可構(gòu)造出Pemotion。情感空間的轉(zhuǎn)移概率矩陣Pemotion由Demotion唯一確定，若改變Demotion的值，則也可相應(yīng)地改變Pemotion，情感空間也就相應(yīng)地改變了?；谶@種思路，若能找到一種定量的關(guān)系將心情空間與Demotion聯(lián)系起來，則可建立起心情空間與情感空間的映射。

目前心理學界對心情與情感的概念并沒有達成共識。心情是一種比較持久而微弱的、影響人的整個精神活動的情緒狀態(tài)，而情感也是一種情緒狀態(tài)，所以從心理體驗上講，心情與情感是一致的，二者僅僅是在激活度上有所不同［22］。因此，對工程研究來說，可以假設(shè)心情空間與情感空間所描述的情緒狀態(tài)空間是等價的，只是描述的方式不同。于是，若情感空間有m維，即存在m種基本情感，則心情空間也對應(yīng)地存在m個基本情感點。為敘述方便，設(shè)情感空間中的基本情感為 Eemotionek，（k=1，2，…，m），心情空間中對應(yīng)的基本情感點為Eemotionmk，（k=1，2，…，m）。若心情空間中Mmood與Eemotionmk的距離較近，則情感空間中應(yīng)較易出現(xiàn)Emotionek所代表的情感;反之，則較不易出現(xiàn)。

因此，如圖2所示，通過心情影響情感的這種機制可通過如下的思路來實現(xiàn):設(shè)j為情感空間中代表Eemotionek這種情感狀態(tài)的節(jié)點編號，d_emotionk為心情空間中Mmood與Eemotionmk的距離，若d_emotionk較小，則說明情感空間中節(jié)點j出現(xiàn)的概率較大，可通過在情感空間中減小di，j，（i=1，2，…，l），也就是（7）式中矩陣中某一列所有的元素來增大pi，j，（i=1，2，…，l），即（8）式中矩陣中某一列所有的元素，從而增大了pj，pj為情感空間中第j個節(jié)點出現(xiàn)的概率;反之亦然。

圖2 心情影響情感的機制Fig.2 Mechanism ofmood affecting emotional

按照這種思路，首先需要計算在心情空間中Mmood與Eemotionmk的距離，而心情空間是用PAD模型來描述的，因此需要計算在PAD空間中Mmood與Eemotionmk的距離。PAD空間中幾種常見基本情感的向量坐標在表2中已經(jīng)給出。

由于基本情感共有m個，因此求得的PAD空間距離為m維向量，設(shè)為x=（x1，x2，…，xm）。為了達到改變pi，j，（i=1，2，…，l）的目的，需要將di，j，（i=1，2，…，l）乘上一個系數(shù)，設(shè)為距離疊加因子。設(shè)距離疊加因子為z=（z1，z2，…，zm）。為準確地構(gòu)造情感空間并符合認知規(guī)律，zk，（k=1，2，…，m）的取值以及疊加過程應(yīng)滿足以下條件。

1）由于zk是作為乘法系數(shù)疊加到歐式距離之上，于是zk≥0;當zk=0時會出現(xiàn)情感空間中某節(jié)點到不同節(jié)點的距離均為0的情況，于是zk≠0。因此，zk＞0。

2）當PAD空間中Mmood到所有基本情感點的距離均相等時，心情對情感的附加影響應(yīng)該在各個方向上都抵消了，因此，當x1=x2=…=xm時，z1=z2=…=zm=1。

3）坐標軸上的節(jié)點情感狀態(tài)可以明確地確定基本情感狀態(tài)歸屬，其受心情影響的程度也易于確定，而非坐標軸上的節(jié)點則屬于復(fù)合情感狀態(tài)，不能將其歸屬到任何一個基本情感狀態(tài)中，因而其受到心情影響的具體程度不好界定。所以本模型中不對非坐標軸上的節(jié)點概率做直接處理，于是情感空間中需要被改變出現(xiàn)概率的節(jié)點都出現(xiàn)在坐標軸上。但由于二者概率總和為1，因而非坐標軸上的節(jié)點概率相當于是被間接處理了。

4）di，j中，具體每個值的大小怎么改變是構(gòu)建模型的關(guān)鍵，也是實現(xiàn)心情影響情感這種機制的關(guān)鍵。若?zk＞1，則被改變的di，j均是被增大了，導致的結(jié)果就是非坐標軸上的節(jié)點概率間接地被全部增大了，這明顯不符合認知規(guī)律，所以不能出現(xiàn)?zk＞1這種情況;同樣的，也不能出現(xiàn)?zk＜1這種情況。

根據(jù)以上條件，zk的求取過程如下。

1）設(shè)有 x=（x1，x2，…，xm），建立映射f1為

2）設(shè)有 y=（y1，y2，…，ym），建立映射f2為

（12）式中:θ為標準化因子;zk即為距離疊加因子。

zk的疊加方法如下。

定義情感空間中新的距離矩陣為

（13）式中，di，j*，i=1，2，…，l為情感空間中第i個節(jié)點到第j個節(jié)點的新歐式距離。

設(shè)有z=（z1，z2，…，zm），則定義

（14）式中:i∈Node;j∈Nodek;k=1，2，…，m。Node為情感空間中所有節(jié)點編號的集合，Nodek為第k種基本情感所代表的節(jié)點編號集合。

根據(jù)Demotion*即可構(gòu)造出新的情感空間。

3.2.3 標準化因子的選取

（12）式中引入了標準化因子θ，它的選取對z=（z1，z2，…，zm）是否較好地保持了 x=（x1，x2，…，xm）的數(shù)字特征影響很大。

為簡單起見，假設(shè)情感空間僅包含最簡單的3種情感:高興、憤怒和恐懼，即m=3，于是x=（x1，x2，x3），z=（z1，z2，z3）。

定義下面3個比值

R0，S0，T0越接近1，則說明 z=（z1，z2，z3）越好地保持了x=（x1，x2，x3）的比例關(guān)系。由于z=（z1，z2，z3）的上下限有了限制，完美地保持是不可能的，但可使R0，S0，T0盡可能地靠在1的附近。

假設(shè)θ為常量，一組個性向量Ppersonality對應(yīng)一組（R0，S0，T0），若 Ppersonality所有可能的值有 η 個，則相應(yīng)地應(yīng)得到 3 個 η 維向量 R=（R1，R2，…，Rη），S=（S1，S2，…，Sη）和 T=（T1，T2，…，Tη）。

因此，定義

此外，還應(yīng)考慮到，（12）式中zk的值域為（θ－1，θ），由于zk是作為乘法系數(shù)疊加的，那么最大放大倍率與最小放大倍率的比值就是θ2，這個值越大，則說明被放大得越大，被縮小得越小，這樣心情空間經(jīng)過映射之后對情感空間的影響越明顯，也就是映射效果越好。

綜合上述2點考慮，定義

（17）式中，Δ為選擇因子。當γ和λ越小，并且θ2越大，則Δ越小;反之則越大。因此Δ表征的是γ，λ和θ這3個值的綜合選取效果，Δ越小，則γ，λ和θ這3個值選取得越好。本文討論的重點是關(guān)于θ的取值，因此關(guān)于γ，λ的取值在本文中不做重點討論。

經(jīng)過計算，θ與Δ的關(guān)系如圖3所示。

圖3 θ與Δ的對應(yīng)關(guān)系Fig.3 Corresponding relationship betweenθandΔ

當Δ取最小值時，θ=3.4，因而這便是選擇出來的標準化因子。

4 仿真及分析

4.1 目的及設(shè)置

本文模型中情感空間的構(gòu)造是以狀態(tài)空間模型為基礎(chǔ)的，因而仿真實驗也以它為對比對象。

從認知經(jīng)驗出發(fā)，在沒有外界干擾的情況下，情感的狀態(tài)是趨于平靜的，然而情感又不可能絕對平靜，其狀態(tài)是有一定波動的，情感的未來狀態(tài)也是不確定的，但是又可以被“大概”猜測到。本著這樣的目的，對模型進行仿真，來觀察情感的變化與上述特點的相似程度。然后通過計算Expectation來觀察模型是否體現(xiàn)了個性因素的影響。

2個模型的實驗參數(shù)均設(shè)定為維度3，刻度數(shù)5。初始時刻節(jié)點位于離原點最遠的節(jié)點上。本文模型還需設(shè)定個性向量，共設(shè)置2組向量，以比較在不同個性下本文模型是否能準確描述人類情感變化。第 1 組個性向量為 ［0.5，0.9，0.1，0.6，0.1］，此時心情向量為［0.394 0，0.198 0，0.146 0］T，非?？拷厩楦械母吲d坐標點［0.4，0.2，0.15］T，也就是說從根據(jù)認知經(jīng)驗，此時情感應(yīng)處在非常高興的狀態(tài)下。第 2 組個性向量為 ［0.3，0.3，0.1，0.2，0.8］，這種人性格表現(xiàn)為時常焦慮、沖動、情感脆弱。

4.2 結(jié)果及分析

圖4為狀態(tài)空間模型仿真結(jié)果，圖5為本文模型第1組個性仿真結(jié)果，圖6為第2組仿真結(jié)果。

從圖5與圖6中可以看出，情感狀態(tài)從最初的最后1個節(jié)點，經(jīng)過短暫的振蕩之后就開始慢慢回落，最后回落到原點附近，也就是情感最后慢慢地恢復(fù)了平靜。盡管情感最后回落到了原點附近，但是仍然有一定的波動，只是波動的幅度降低了很多。仿真結(jié)果表明，在本文構(gòu)造的情感模型中，情感的變化很接近前面所說的情感變化的特點，因而其是能夠有效描述人類情感變化規(guī)律的。

表3為3次仿真統(tǒng)計結(jié)果。

表3 仿真統(tǒng)計結(jié)果Tab.3 Statistical results of simulations

從統(tǒng)計結(jié)果可以看出，在狀態(tài)空間模型中，Expectation1=Expectation2=Expectation3，這是因為狀態(tài)空間模型是個封閉的系統(tǒng)，沒有考慮個性等因素的影響，因而3條坐標軸是對稱的，導致出現(xiàn)基本情感強度相等。此時的情感屬于中性狀態(tài)，因而0.156 9可作為一個標準值來衡量基本情感強度的大小，若大于0.156 9則說明基本情感強度較大，該情感較為強烈，反之則較弱。

在本文模型仿真中，第1組結(jié)果中，Expectation1≥0.156 9，Expectation2≤ 0.156 9，Expectation3≤0.156 9，說明高興的情感非常強烈，而憤怒和恐懼的情感則非常弱，也就是說此時的情感狀態(tài)為非常高興、不憤怒、不恐懼，跟前文中從認知經(jīng)驗上得到的結(jié)果吻合。

第 2組結(jié)果中，Expectation1≤ 0.156 9，Expectation2≈0.156 9 ，Expectation3＞0.156 9 ，則說明這個人基本上不高興，但有點憤怒，比較恐懼，基本上符合條件設(shè)定的人物性格。

狀態(tài)空間模型的Entropy比本文模型2組的結(jié)果都要大，這是由于本文模型加入了個性的因素，導致情感空間的某些情感狀態(tài)的出現(xiàn)或不出現(xiàn)具有了明顯的傾向性，從而使得Entropy減小了。這次實驗充分表明本文模型能較好地描述具有個性的真實人類情感變化規(guī)律。

5 結(jié)束語

本文圍繞對情感空間的轉(zhuǎn)移概率矩陣的構(gòu)造，通過計算心情空間中心情與基本情感的距離，并以此為基礎(chǔ)來修正情感空間的轉(zhuǎn)移概率矩陣，定量地計算心情與情感之間的關(guān)系，以達到通過心情影響情感的目的。通過仿真實驗，可以直觀地看見心情對情感的影響效果，通過對基本情感強度的計算，也驗證了這種效果，說明本文提出的心情空間對情感空間的映射符合人類情感的變化規(guī)律。盡管該模型研究了心情與情感的聯(lián)系，為情感的變化提供了依據(jù)，但是其仍然是人類自身內(nèi)部的刺激影響，沒能研究情感在受到外部刺激下的變化，這一點值得在今后的工作中進一步改進。

［1］ MINSKY M L.The Society ofMind［M］.New York:Simon and Schuster，1985.

［2］PICARD R W.Affective Computing［M］.Cambridge，Massachusetts:MIT Press，1997.

［3］王志良.人工心理學——關(guān)于更接近人腦工作模式的科學［J］.北京科技大學學報，2000，22（5）:478－481.

WANG Zhi－liang.Artificial Psychology——A most Accessible Science Research to Human Brain［J］.Journal of University of Science and Technology Beijing，2000，22（5）:478－481.

［4］ ORTONY A，CLORE G L，COLLINS A.The cognitive structure of emotions［M］.Cambridge:Cambridge University Press，1988.

［5］ELLIOTT C.The affective reasoner:a processmodel of emotions in amulti－agent system ［D］.Evanston:Northwestern University，1992.

［6］王玉潔，王志良，陳峰軍，等.基于隱馬爾可夫模型的情感建模［J］.北京農(nóng)學院學報，2005，20（1）:61－64.

WANG Yu－jie，WANG Zhi－liang，CHEN Feng－jun，et al.Affective Modeling Based on Hidden Markov Model［J］.Journal of Beijing Agricultural College，2005，20（1）:61－64.

［7］魏哲華.基于人工心理理論的情感機器人的情感計算研究［D］.北京:北京科技大學，2002.

WEIZhe－h(huán)ua.Research on Affective Computing of Affective Robot Based on the Theory of Artificial Psychology［D］.Beijing:University of Science and Technology Beijing，2002.

［8］ KSHIRSAGAR S，THALMANN N M.A Multilayer Personality Model［C］//Proceedings of the 2nd International Symposium on Smart Graphics.New York，USA:ACM，2002:107－115.

［9］ GEBHARD P.ALMA－A Layered Model of Affect［C］//AAMAS'05.Utrecht，Netherlands:ACM，2005:29－36.

［10］ HERNáNDEZ Y，NOGUEZ J，SUCAR E，eta1.Incorporating an Affective Model to an Intelligent Tutor for Mobile Robotics［C］//36th ASEE/IEEE Frontiers in Education Conference.San Diego，CA:IEEE Press，2006:22－27.

［11］滕少冬，王志良，王莉，等.基于心理能量思想的人工情感模型［J］.計算機工程與應(yīng)用，2007，43（3）:1－4.

TENG Shao－dong，WANG Zhi－liang，WANG Li，et al.Artificial Emotion Model Based on Psychology Energy Idea［J］.Computer Engineering and Applications，2007，43（3）:1－4.

［12］孟秀艷，王志良.基于非線性狀態(tài)空間模型的情感模型研究［J］.計算機科學，2008，35（12）:178－182.

MENG Xiu－yan，WANG Zhi－liang.Research on Emotion－model Based on Nonlinear State Space Model［J］.Computer Science，2008，35（12）:178－182.

［13］胡博超，陳海山.基于粒子系統(tǒng)和有源場的情感建模研究［J］.心智與計算，2009，3（1）:036－044.

HU Bo－chao，CHEN Hai－shan.Research of Emotion Model Based on Particle System and Active Field［J］.Mind and Computation，2009 3（1）:036－044.

［14］朱颯颯，王巍.基于信號和OCC表示的情感模型研究［J］.信息技術(shù)，2010，（10）:155－157.

ZHU Sa－sa，WANG Wei.Research of Emotional Model Based on the Signal and OCC ［J］.Information Technology，2010，（10）:155－157.

［15］吳偉國，孟慶梅，曲建俊.情感建模方法研究［J］.哈爾濱工業(yè)大學學報，2010，42（9）:1388－1393.

WU Wei－guo，MENG Qing－mei，QU Jian－jun.Research on Emotion Modeling［J］.Journal of Harbin Institute of Technology，2010，42（9）:1388－1393.

［16］ WIGGINSJS.The five－factormodel of personality:theoretical perspective［M］.New York:Guilford Press，1996.

［17］ MEHRABIAN A.Pleasure－Arousal－Dominance:a general framework for describing and measuring individual differences in temperament［J］.Current Psychology，1996，14（4）:261－292.

［18］ EKMAN P.An argument for basic emotions［J］.Cognition and Emotion，1992，6（3－4）:169－200.

［19］BERNSTEIN D A，PENNER D A，STEWART A C，et al.Psychology（8th edition）［M］.Boston:Houghton Miffin Company，1997.

［20］孟昭蘭.普通心理學［M］.北京:北京大學出版社，1992.

MENG Zhao－lan.Normal Psychology［M］.Beijing:Peking University Press，1992.

［21］ MEHRABIAN A.Analysis of the big－five personality factors in term of the PAD temperamentmode［J］.Australian journal of Psychology［J］.1996，48（2）:86－92.

［22］ VELáSQUEZ JD.Modeling emotions and other motivations in synthetic agents ［C］.AAAI－97.Menlo Park:Citeseer，1997:10－15.