黃宏程 左蓉蓉 胡 敏 陶 洋② 寇 蘭

①(重慶郵電大學(xué)通信與信息工程學(xué)院 重慶 400065)

②(重慶市通信軟件工程技術(shù)研究中心 重慶 400065)

1 引言

人類社會(huì)交互過(guò)程中產(chǎn)生的情感是自然的、獨(dú)特的，所以人們希望機(jī)器人產(chǎn)生的情感也是如此。在人機(jī)交互過(guò)程中，研究者的研究重點(diǎn)聚焦于機(jī)器人如何識(shí)別、理解參與人的情感并表達(dá)屬于他們的獨(dú)特、自然、生動(dòng)的情感。隨著研究的不斷深入，情感計(jì)算也逐漸走進(jìn)大眾視野。情感計(jì)算(Affective Computing, AC)是賦予機(jī)器人觀察、識(shí)別、理解、生成和表達(dá)情感的能力，讓機(jī)器人在了解參與人情感狀態(tài)的基礎(chǔ)上，適時(shí)做出反應(yīng)，去響應(yīng)用戶不斷變化的情感，最終使機(jī)器人能夠像人一樣進(jìn)行親切、自然、生動(dòng)的交互[1]。

隨著情感計(jì)算研究的深入，如何提高參與人滿意度、體驗(yàn)感和人機(jī)交互的和諧性成為人機(jī)交互的重要問(wèn)題。近幾年，在情感計(jì)算方面涌現(xiàn)出眾多有價(jià)值的情感模型，其中包括情感計(jì)算方法、情感識(shí)別、情感響應(yīng)、情感表達(dá)等方面的模型。在情感計(jì)算方法與認(rèn)知模型的研究上，文獻(xiàn)[2]提出基于知識(shí)表示的情感計(jì)算方法，采用實(shí)數(shù)編碼方法計(jì)算情緒參數(shù)和心理狀態(tài)的變化；文獻(xiàn)[3]依據(jù)喚醒價(jià)態(tài)情感空間(Arousal-Valence-Stance, AVS)和有限狀態(tài)機(jī)提出了一種基于G r o s s 認(rèn)知重評(píng)策略(G r o s s Cognitive Reappraisal strategy, GCRs)的認(rèn)知情感模型，能減少機(jī)器人對(duì)情感刺激的依賴性。在情感識(shí)別研究上，文獻(xiàn)[4]提出文本分類的情感嵌入模型，用文本情感標(biāo)簽構(gòu)建情感嵌入模型并根據(jù)Plutchik情感模型將這些文本信息分為8種情感；文獻(xiàn)[5]提出基于深度信念網(wǎng)絡(luò)和多維擴(kuò)展特征的模型，提高對(duì)短文本中文微博情感分類的性能；文獻(xiàn)[6]通過(guò)獲取情感、韻律、音質(zhì)和情感維度之間的關(guān)系，提出了可拒絕的語(yǔ)音情感識(shí)別方法。情感響應(yīng)方面，文獻(xiàn)[7]提出面向時(shí)序感知的多類別商品方面情感分析推薦模型，結(jié)合用戶情感信息推斷用戶對(duì)商品的偏好；文獻(xiàn)[8]從情感特征出發(fā)，抽取影響情感產(chǎn)生的因素引入蟻群算法(Ant Colony Optimization,ACO)，構(gòu)建ACO情感模型，采用串行的方式通過(guò)反應(yīng)強(qiáng)度值的不斷更新尋找最優(yōu)情感狀態(tài)；文獻(xiàn)[9]提出多情感對(duì)話系統(tǒng)(Multi-Emotional Conversation System, MECS)以產(chǎn)生情感的連貫反應(yīng)，選擇最相似情感作為機(jī)器人的情感響應(yīng)。情感表達(dá)方面，文獻(xiàn)[10]提出基于多模態(tài)注意力的條件變分自動(dòng)編碼器用于情感控制的對(duì)話生成任務(wù)，證明多模態(tài)以及上下文信息在情緒連貫反應(yīng)上的重要性；文獻(xiàn)[11]通過(guò)關(guān)鍵詞提取與搭配提出一種對(duì)話生成模型，該模型利用強(qiáng)化學(xué)習(xí)(Reinforcement Learning,RL)和情感編輯約束，使機(jī)器人的情感表達(dá)更有意義。

結(jié)合現(xiàn)有情感計(jì)算的相關(guān)研究可以發(fā)現(xiàn)，人機(jī)交互過(guò)程中，極易出現(xiàn)機(jī)器人情感響應(yīng)缺失主動(dòng)性、獨(dú)特性等情感僵硬化的問(wèn)題以及參與人滿意度和體驗(yàn)感不高的問(wèn)題。因此，針對(duì)以上問(wèn)題，本文依據(jù)愉悅度-激活度-優(yōu)勢(shì)度(Pleasure-Arousal-Dominance, PAD)情感空間提出了一種基于模糊認(rèn)知圖(Fuzzy Cognitive Map, FCM)的機(jī)器人情感響應(yīng)模型，考慮賦予機(jī)器人擬人化性格特征和社會(huì)角色，對(duì)人機(jī)交互中機(jī)器人情感響應(yīng)過(guò)程進(jìn)行建模。根據(jù)交互上下文得到參與人情感值，加入性格特征、社會(huì)角色的機(jī)器人會(huì)生成獨(dú)特的自我意識(shí)，實(shí)現(xiàn)對(duì)參與人交互情感的響應(yīng)并影響參與人下一時(shí)刻的輸入，增加機(jī)器人交互過(guò)程中情感響應(yīng)的獨(dú)特性、主動(dòng)性，促進(jìn)人機(jī)交互持續(xù)進(jìn)行。

2 人機(jī)交互情感分析與情感響應(yīng)

在人機(jī)交互過(guò)程中，參與人與機(jī)器人的情感交互可以描述為：首先，參與人交互行為輸入；其次，將參與人交互行為量化并評(píng)估為輸入情感值，實(shí)現(xiàn)對(duì)參與人的情感狀態(tài)識(shí)別；然后，對(duì)參與人的情感狀態(tài)進(jìn)行跟蹤，結(jié)合影響機(jī)器人情感響應(yīng)的因素，更新機(jī)器人的情感狀態(tài)矩陣，得到機(jī)器人的情感響應(yīng)；最后，將得到的機(jī)器人情感響應(yīng)與自然語(yǔ)言生成相結(jié)合，作為機(jī)器人響應(yīng)輸出。人機(jī)情感交互過(guò)程如圖1所示。

由人機(jī)情感交互可知，情感響應(yīng)是情感交互的一個(gè)重要過(guò)程，而參與人情感輸入與機(jī)器人情感響應(yīng)構(gòu)成了人機(jī)情感交互整個(gè)過(guò)程。情感交互與情感響應(yīng)的關(guān)系如圖2所示(R表示機(jī)器人，H表示參與人)。根據(jù)歷史情感信息、參與人當(dāng)前時(shí)刻情感值，同時(shí)考慮多種因素對(duì)機(jī)器人情感響應(yīng)過(guò)程進(jìn)行建模，得到機(jī)器人的情感響應(yīng)，增加參與人的交互滿意度和交互體驗(yàn)感。即已知EH，得到ER。

2.1 基于情感空間的情感狀態(tài)分析

為了分析參與人的情感狀態(tài)，實(shí)現(xiàn)后續(xù)交互過(guò)程中參與人情感狀態(tài)跟蹤，本文依據(jù)文獻(xiàn)[12]，對(duì)參與人的交互輸入進(jìn)行情感量化，得到其在連續(xù)空間中PAD情感值。在得到參與交互輸入情感之后，依據(jù)文獻(xiàn)[13]，將第k輪參與人交互情感值EH=(pk,ak,dk)評(píng)估轉(zhuǎn)化為6種基本情感狀態(tài)作用下的情感狀態(tài)矩陣I(EH)

圖1 人機(jī)情感交互過(guò)程

圖2 情感交互與情感響應(yīng)

2.2 基于模糊認(rèn)知圖的機(jī)器人情感響應(yīng)

在現(xiàn)實(shí)中，情感產(chǎn)生與變化不僅與外部環(huán)境有關(guān)，還與自身情感狀態(tài)、性格和社會(huì)角色有關(guān)。為了促進(jìn)人機(jī)交互持續(xù)進(jìn)行，構(gòu)建機(jī)器人情感響應(yīng)模型時(shí)不僅需要考慮交互上下文，還需要考慮參與人和機(jī)器人之間的相互影響。參與人輸入情感刺激機(jī)器人參與交互，機(jī)器人根據(jù)參與人情感變化，尋找時(shí)機(jī)，主動(dòng)參與引導(dǎo)對(duì)話并影響參與人下一時(shí)刻輸入?？紤]到二者相互影響，本文引入機(jī)器人社會(huì)角色，考慮到機(jī)器人情感響應(yīng)獨(dú)特性帶給參與人獨(dú)特的參與體驗(yàn)，引入機(jī)器人性格特征。為了使機(jī)器人的情感響應(yīng)更趨近于人，本文綜合考慮多個(gè)因素，利用模糊認(rèn)知圖構(gòu)建上下文多輪情感狀態(tài)之間的關(guān)聯(lián)，情感響應(yīng)框架如圖3所示。

2.2.1 基于社會(huì)角色的主動(dòng)性情感響應(yīng)

在日常生活中，交流是相互的，交互雙方主動(dòng)參與是對(duì)話持續(xù)進(jìn)行的前提，而主動(dòng)參與是人作為社會(huì)角色的一個(gè)社交屬性。因此，考慮到人機(jī)交互中機(jī)器人的主動(dòng)性，本文引入機(jī)器社會(huì)角色概念模型。

圖3 機(jī)器人情感響應(yīng)框架

在人際交往過(guò)程中，人作為一個(gè)獨(dú)立個(gè)體，有屬于自己的社會(huì)角色，這對(duì)于每個(gè)人都是獨(dú)特的，而社會(huì)角色與行為、期望和責(zé)任相關(guān)。人機(jī)交互過(guò)程中，人是具有社會(huì)角色的個(gè)體，故而我們期望機(jī)器人也能有社會(huì)角色，而機(jī)器人成為社會(huì)角色需要具備類似人的社交屬性。根據(jù)參考文獻(xiàn)[14]，將機(jī)器人社會(huì)角色模型應(yīng)用到人機(jī)交互的情感響應(yīng)中。在情感響應(yīng)中，機(jī)器人成為社會(huì)角色至少需要3個(gè)能力，即必須有一定的自適應(yīng)能力、主動(dòng)參與能力、學(xué)習(xí)和影響交互對(duì)象的能力，如圖4所示。

在人際交往中，參與雙方都能實(shí)時(shí)感受對(duì)方情緒起伏和變化，并根據(jù)對(duì)方的情緒變化適時(shí)地做出反應(yīng)。所以在人機(jī)交互過(guò)程中，希望機(jī)器人也能夠考慮到參與人情感強(qiáng)度的變化，根據(jù)參與人情感強(qiáng)度變化主動(dòng)承擔(dān)起調(diào)節(jié)參與人情感狀態(tài)的任務(wù)。依據(jù)參考文獻(xiàn)[15]，采用K近鄰算法得到參與人的情感強(qiáng)度計(jì)算公式

2.2.2 基于性格特征的獨(dú)特性情感響應(yīng)

在日常生活中，交互雙方都是獨(dú)立個(gè)體，有自己獨(dú)特的性格特征。性格特征是“人格因素”的主要體現(xiàn)，人格因素的差異造就人獨(dú)一無(wú)二的特性。人格因素的不同是人看待問(wèn)題角度、表達(dá)方式以及性格具有獨(dú)特性的原因?？紤]機(jī)器人情感響應(yīng)的獨(dú)特性，為機(jī)器人引入性格特征。參考大五人格因素理論，對(duì)機(jī)器人性格特征進(jìn)行情感分析。依據(jù)文獻(xiàn)[16]，大五人格因素理論將人的性格分為5大類：外傾性表現(xiàn)為外向、活躍，用Ex表示；宜人性表現(xiàn)為溫和、寬容，用Ag表示；盡責(zé)性表現(xiàn)為可靠、自律，用Co表示；神經(jīng)質(zhì)表現(xiàn)為焦慮、被動(dòng)，用Ne表示；經(jīng)驗(yàn)開放性表現(xiàn)為創(chuàng)造、智慧，用Op表示。

依據(jù)文獻(xiàn)[17]，Mehrabiana結(jié)合統(tǒng)計(jì)學(xué)擬合思想得到PAD情感維度與不同的性格特征之間的關(guān)系之間的影響關(guān)系作為有向弧，影響因素的大小作為權(quán)重。模糊認(rèn)知圖在情感響應(yīng)模型中各節(jié)點(diǎn)間關(guān)系如圖5所示。

圖4 機(jī)器人社會(huì)角色模型

3 基于模糊認(rèn)知圖的情感響應(yīng)模型

3.1 模糊認(rèn)知圖

模糊認(rèn)知圖是具有反饋功能的有向圖，是表達(dá)和推理系統(tǒng)中因果關(guān)系的模型。FCM的是一個(gè)3元序組M=(C,E,W)， 其中C={ci|ci ∈[?1,1];i=1,2,...,n}表示FCM的節(jié)點(diǎn)集合，E={|ci,cj ∈C}表示所有節(jié)點(diǎn)間的因果關(guān)系有向弧集合，W={wi,j|wi,j ∈[?1,1];i,j=1,2,...,n}表示節(jié)點(diǎn)之間影響強(qiáng)度的權(quán)重矩陣。本文將模糊認(rèn)知圖應(yīng)用到情感響應(yīng)中，將機(jī)器人性格特征、社會(huì)角色、輸入與輸出情感作為模糊認(rèn)知圖的概念節(jié)點(diǎn)，相互

圖5 模糊認(rèn)知圖情感響應(yīng)節(jié)點(diǎn)間關(guān)系

在圖5中c1,c2,...,c17,c18是節(jié)點(diǎn)，其含義為：c1,c2,...,c5,c6是機(jī)器人社會(huì)角色的體現(xiàn)，表現(xiàn)為參與人交互輸入情感和參與人情感強(qiáng)度的變化；c7,c8,...,c11,c12是機(jī)器人性格特征的體現(xiàn)，表現(xiàn)為經(jīng)大五人格修正后的情感強(qiáng)度值；c13,c14,...,c17,c18是機(jī)器人的情感響應(yīng)在6種基本情感上的強(qiáng)度值。wi,j代表節(jié)點(diǎn)之間的相互影響：圖5中由c1,c2,...,c5,c6指向c13,c14,...,c17,c18的直線表示社會(huì)角色對(duì)情感響應(yīng)的影響，由c7,c8,...,c11,c12指向c13,c14,...,c17,c18的直線表示性格特征對(duì)情感響應(yīng)的影響，由c13,c14,...,c17,c18指向c1,c2,...,c5,c6的直線表示情感響應(yīng)對(duì)參與人下一時(shí)刻情感輸入的影響。由此構(gòu)成一個(gè)權(quán)重矩陣W為

通過(guò)已知的初始條件可以確定FCM初始狀態(tài)空間，經(jīng)過(guò)閾值函數(shù)傳播，當(dāng)FCM達(dá)到穩(wěn)定的循環(huán)狀態(tài)或固定點(diǎn)就完成了因果推理。具有時(shí)間記憶特點(diǎn)的FCM可以表示為

3.2 模糊認(rèn)知圖權(quán)值學(xué)習(xí)

FCM推理過(guò)程如下：

3.3 機(jī)器人情感狀態(tài)更新

依據(jù)文獻(xiàn)[19]，將得到的第k輪機(jī)器人情感響應(yīng)映射到PAD情感空間，標(biāo)定其位置信息，實(shí)現(xiàn)機(jī)器人在連續(xù)情感空間中的情感狀態(tài)轉(zhuǎn)移。其中將機(jī)器人情感響應(yīng)映射到PAD空間的公式為

3.4 情感響應(yīng)模型構(gòu)建

考慮參與人歷史交互情感、機(jī)器人性格特征和社會(huì)角色以及當(dāng)前交互的外部環(huán)境，本文利用FCM對(duì)機(jī)器人的情感響應(yīng)過(guò)程進(jìn)行建模，得到機(jī)器人本輪交互的情感響應(yīng)。模型構(gòu)建如表1所示。

4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

4.1 實(shí)驗(yàn)設(shè)計(jì)

為了直觀有效地對(duì)本文所提的模糊認(rèn)知圖情感響應(yīng)模型進(jìn)行性能分析，依據(jù)文獻(xiàn)[20]，利用Python中的Chatterbot建立基于文本信息的聊天機(jī)器人，增加獨(dú)特的情感響應(yīng)模塊。首先，利用聊天機(jī)器人邏輯適配器進(jìn)行答案匹配，返回置信度較高的前m個(gè)答案作為候選答案集；其次，考慮性格特征的獨(dú)特性和社會(huì)角色的主動(dòng)性對(duì)機(jī)器人情感響應(yīng)的影響，構(gòu)建基于模糊認(rèn)知圖的情感響應(yīng)模型。最后，依據(jù)該模型更新情感狀態(tài)轉(zhuǎn)移概率，得到機(jī)器人情感響應(yīng)。

依據(jù)參考文獻(xiàn)[21]提供的NLPCC2017數(shù)據(jù)集作為本次實(shí)驗(yàn)的數(shù)據(jù)集。NLPCC 2017自然語(yǔ)言處理和中文計(jì)算(shared task test data: emotional conversation generation)數(shù)據(jù)集共包含約1120000個(gè)問(wèn)答對(duì)，隨機(jī)選取7000對(duì)問(wèn)答作為驗(yàn)證集，再隨機(jī)選取4000對(duì)問(wèn)答作為測(cè)試集，剩余問(wèn)答作為機(jī)器人訓(xùn)練的語(yǔ)料庫(kù)。實(shí)驗(yàn)驗(yàn)證機(jī)器人給出該模型下參與人滿意度最高的作為機(jī)器人的最終表達(dá)。

本文選取現(xiàn)有情感模型中具有代表性的模型與本文模型進(jìn)行對(duì)比實(shí)驗(yàn)，對(duì)比模型如下：

文獻(xiàn)[3]提出基于個(gè)性特征認(rèn)知重評(píng)策略GCRs的情感交互模型，通過(guò)減少機(jī)器人對(duì)外界情感刺激的依賴性，促使機(jī)器人產(chǎn)生積極的情感表達(dá)。該模型是認(rèn)知情感交互領(lǐng)域具有代表性的模型之一，故選取該模型作為對(duì)比模型。

表1 基于模糊認(rèn)知圖的機(jī)器人情感響應(yīng)模型

文獻(xiàn)[9]提出多情感對(duì)話系統(tǒng)MECS以產(chǎn)生情感的連貫反應(yīng)，傾向于達(dá)到和參與人輸入情感相同的情感狀態(tài)，選擇最相似情感作為機(jī)器人的情感響應(yīng)，通過(guò)提高情感相似性增加交互共鳴。該模型在多情感對(duì)話系統(tǒng)中產(chǎn)生情感的連貫性較好，故選取該模型作為對(duì)比模型。

文獻(xiàn)[11]構(gòu)建一種基于RL和情感約束的對(duì)話生成模型，在基于強(qiáng)化學(xué)習(xí)算法上生成與主題詞和情感詞相關(guān)的回復(fù)。該模型巧妙利用強(qiáng)化學(xué)習(xí)獎(jiǎng)勵(lì)函數(shù)，通過(guò)提升交互詞語(yǔ)和交互情感的相似度生成和參與人語(yǔ)義、情感一致的信息，該模型在情感相似度上的研究較為突出，故選取該模型作為對(duì)比模型。

文獻(xiàn)[8]從情感特征出發(fā)，構(gòu)建ACO情感模型，采用串行的方式通過(guò)反應(yīng)強(qiáng)度值的不斷更新完成尋找最優(yōu)情感狀態(tài)的任務(wù)。該模型強(qiáng)調(diào)參與人和機(jī)器人情感強(qiáng)度值之間的關(guān)聯(lián)，故選取該模型作為對(duì)比模型。

文獻(xiàn)[20]提出機(jī)器人認(rèn)知模型Chatterbot根據(jù)候選答案集中置信度高低進(jìn)行輸出。由于該模型不具備認(rèn)知情感計(jì)算能力，選取該模型為對(duì)比模型僅用于模型有效性和參與度驗(yàn)證對(duì)比實(shí)驗(yàn)。

4.2 實(shí)驗(yàn)結(jié)果與分析

人機(jī)交互過(guò)程中需要考慮參與人對(duì)機(jī)器人的情感響應(yīng)需求，這是交互持續(xù)進(jìn)行的基礎(chǔ)。此外，參與人對(duì)人機(jī)交互過(guò)程的體驗(yàn)感和交互滿意度關(guān)系到交互頻率和交互狀態(tài)。針對(duì)上述需求，本文對(duì)人機(jī)交互過(guò)程中參與人的交互體驗(yàn)感、交互滿意度和參與度以及模型有效性等多個(gè)方面進(jìn)行驗(yàn)證。

4.2.1 參與人交互體驗(yàn)感評(píng)估

交互體驗(yàn)感評(píng)估實(shí)驗(yàn)主要從單輪對(duì)話與多輪會(huì)話兩個(gè)方面進(jìn)行測(cè)量。由于文獻(xiàn)[20]提出的Chatterbot模型僅考慮語(yǔ)義語(yǔ)法方面進(jìn)行響應(yīng)輸出，缺少情感計(jì)算，因此未列入?yún)⑴c人交互體驗(yàn)感對(duì)比實(shí)驗(yàn)。在參與人交互體驗(yàn)感評(píng)價(jià)過(guò)程中，本文分別對(duì)單輪和多輪對(duì)話參與人體驗(yàn)感進(jìn)行問(wèn)卷調(diào)查。單輪對(duì)話評(píng)價(jià)指標(biāo)包含情感連貫性、情感合理性、情感多樣性。多輪對(duì)話評(píng)價(jià)指標(biāo)包含流暢性、一致性、準(zhǔn)確性。

單輪對(duì)話和多輪對(duì)話的評(píng)價(jià)標(biāo)準(zhǔn)均為0～2分，其中0分代表指標(biāo)狀態(tài)低，1分代表指標(biāo)狀態(tài)中等，2分代表指標(biāo)狀態(tài)高。為了驗(yàn)證交互過(guò)程參與人的體驗(yàn)感，采用人工測(cè)試的方法，從測(cè)試集中隨機(jī)選取100句用于測(cè)試，實(shí)驗(yàn)共使用100個(gè)問(wèn)答對(duì)，多渠道邀請(qǐng)50名志愿者進(jìn)行線上線下問(wèn)卷調(diào)查，各項(xiàng)指標(biāo)均取調(diào)查平均分值作為實(shí)驗(yàn)最終結(jié)果。不同模型單輪對(duì)話和多輪對(duì)話交互體驗(yàn)感結(jié)果如表2所示。

由表2可知，單輪交互時(shí)，本文模型在其對(duì)話連貫性、合理性上明顯優(yōu)于其他模型，這是由于本文在進(jìn)行情感響應(yīng)時(shí)綜合考慮機(jī)器人的性格特征和社會(huì)角色兩種因素，機(jī)器人的性格特征提升了其情感響應(yīng)的合理性和連貫性。多輪交互時(shí)，本文模型在機(jī)器人情感響應(yīng)的流暢性、一致性、準(zhǔn)確性上明顯優(yōu)于其他模型，這表明本文模型建立的上下文之間的情感聯(lián)系以及考慮到影響機(jī)器人情感響應(yīng)的因素合理，結(jié)果顯示本文模型能提高參與人交互的體驗(yàn)感，能夠?qū)崿F(xiàn)人機(jī)交互過(guò)程中機(jī)器人情感響應(yīng)擬人化。

為了查看性格特征和社會(huì)角色在參與人交互體驗(yàn)感中的作用，進(jìn)行消融實(shí)驗(yàn)，結(jié)果如表3所示。

根據(jù)表3可知，單獨(dú)考慮性格特征或者社會(huì)角色的情況下，對(duì)單輪和多輪評(píng)價(jià)指標(biāo)的作用不同。單輪交互時(shí)，社會(huì)角色對(duì)合理性、連貫性的影響更大，而性格特征對(duì)多樣性的影響更大；在多輪交互時(shí)，社會(huì)角色對(duì)評(píng)價(jià)指標(biāo)的影響比性格特征對(duì)評(píng)價(jià)指標(biāo)的影響更大，這是因?yàn)闄C(jī)器人社會(huì)角色能考慮參與人情感變化適時(shí)調(diào)整情感響應(yīng)以影響參與人下一時(shí)刻情感輸入。綜合考慮兩個(gè)因素才是最佳選擇。

4.2.2 參與人交互滿意度評(píng)估

在參與人交互體滿意度檢測(cè)這一部分，測(cè)量指標(biāo)包含機(jī)器人情感響應(yīng)相似度、精確度和活躍度。

機(jī)器人情感響應(yīng)的相似度由式(5)得到，定為d1。

機(jī)器人情感響應(yīng)的精確度是決定機(jī)器人當(dāng)前情感響應(yīng)是否符合參與人期待得到的情感的重要因素。定義機(jī)器人情感響應(yīng)的精確度為

其中，前k次情感相似度按從大到小排序，取排名前n的情感相似度。

機(jī)器人的情感活躍度會(huì)影響參與人的交互輸入，情感活躍狀態(tài)持續(xù)低迷則參與人會(huì)產(chǎn)生無(wú)聊、乏味等特征，降低其交互意愿；反之，積極的情感活躍狀態(tài)會(huì)提升參與人交互意愿。定義機(jī)器人的情感活躍度為

模型滿意度評(píng)估主要從多輪會(huì)話滿意度(multisatisfaction)進(jìn)行測(cè)量。由于文獻(xiàn)[20]提出的Chatterbot模型僅考慮語(yǔ)義語(yǔ)法方面進(jìn)行響應(yīng)輸出，缺少認(rèn)知情感計(jì)算，因此未列入?yún)⑴c人交互體驗(yàn)感對(duì)比實(shí)驗(yàn)。結(jié)合對(duì)比實(shí)驗(yàn)，可以得到情感相似度、情感精確度、情感活躍度和交互滿意度的結(jié)果，如表4所示。

結(jié)合表4的實(shí)驗(yàn)結(jié)果可知，本文所提模型在情感相似度、情感精確度、交互滿意度上高于其他模型，這是因?yàn)樵撃Ｐ涂紤]到機(jī)器人的社會(huì)角色，引入自適應(yīng)能力、主動(dòng)參與能力、學(xué)習(xí)和影響交互對(duì)象的能力這3種能力并影響參與人下一時(shí)刻的情感輸入。通過(guò)提高交互情感的相似度和情感精確度提升參與人的滿意度。

為了查看性格特征和社會(huì)角色在參與人交互滿意度評(píng)估中的作用，進(jìn)行消融實(shí)驗(yàn)，結(jié)果如表5所示。

表2 不同模型交互體驗(yàn)感結(jié)果

表3 交互體驗(yàn)感消融實(shí)驗(yàn)

表4 不同模型交互滿意度結(jié)果

表5 交互滿意度消融實(shí)驗(yàn)

由表5可知，兩者單獨(dú)作用時(shí)，社會(huì)角色對(duì)參與人滿意度提升作用高于性格特征，因?yàn)榫哂猩鐣?huì)角色的機(jī)器人能考慮到參與人情感強(qiáng)度變化并影響參與人，故而能提高參與人交互滿意度。兩者共同作用高于兩者單獨(dú)作用，這是因?yàn)槎呓Y(jié)合能夠帶給參與人獨(dú)特的交互體驗(yàn)，提升參與人交互滿意度和交互體驗(yàn)感。

4.2.3 參與人交互參與度評(píng)估

人機(jī)交互的目的是增加人與機(jī)器人交互次數(shù)和交互時(shí)長(zhǎng)。為驗(yàn)證交互過(guò)程參與人的參與度，本文通過(guò)多渠道邀請(qǐng)50名志愿者進(jìn)行不同模型下的多輪人機(jī)交互實(shí)驗(yàn)，進(jìn)行交互次數(shù)和時(shí)長(zhǎng)的評(píng)估，從數(shù)據(jù)集中選取50句作為人機(jī)交互初始輸入，得到不同模型下多輪交互的交互輪數(shù)和交互時(shí)長(zhǎng)結(jié)果如表6所示。

由表6可知，本文所提模型在交互輪數(shù)和交互時(shí)長(zhǎng)上均優(yōu)于其他模型，這表明本文的聊天機(jī)器人能夠更好地參與和引導(dǎo)交互，減少交互出現(xiàn)僵局的頻率。這是由于具有性格特征的機(jī)器人能帶給參與人獨(dú)一無(wú)二的交互體驗(yàn)，具有社會(huì)角色屬性的機(jī)器人能根據(jù)參與人情感強(qiáng)度變化，積極主動(dòng)參與和引導(dǎo)交互。具有這兩個(gè)屬性的機(jī)器人能對(duì)參與人下一時(shí)刻交互輸入產(chǎn)生影響，通過(guò)提高參與人交互體驗(yàn)感促進(jìn)交互進(jìn)行。

表6 不同模型交互參與度結(jié)果

表8 不同模型有效性評(píng)價(jià)結(jié)果

為了查看性格特征和社會(huì)角色在參與人交互參與度評(píng)估中的作用，進(jìn)行消融實(shí)驗(yàn)，結(jié)果如表7所示。

由表7可知，兩者單獨(dú)作用的效果差異不大，而兩者兼有的模型則有更好的效果。性格特征通過(guò)帶給參與人獨(dú)特的交互體驗(yàn)增加交互輪次和時(shí)長(zhǎng)，而社會(huì)角色則通過(guò)影響參與人交互輸入提升交互輪次和時(shí)長(zhǎng)。

4.2.4 模型有效性驗(yàn)證

為便于對(duì)模型答案檢索有效性進(jìn)行驗(yàn)證，依據(jù)文獻(xiàn)[22]采用兩個(gè)信息檢索評(píng)價(jià)指標(biāo)平均倒數(shù)排名(Mean Reciprocal Rank, MRR)和平均精確度排名(Mean Average Precision, MAP)衡量對(duì)比模型的準(zhǔn)確率，從測(cè)試集中隨機(jī)選取100句進(jìn)行試驗(yàn)，取排序準(zhǔn)確率平均值作為實(shí)驗(yàn)最終結(jié)果，結(jié)果見(jiàn)表8。

由表8可知，本文情感響應(yīng)模型相較于其他模型取得更好的結(jié)果。這是因?yàn)楸疚那楦许憫?yīng)模型比較符合實(shí)際，即主動(dòng)權(quán)掌握在交互雙方手中，每個(gè)參與者都有主動(dòng)參與和引導(dǎo)交互的權(quán)力，交互雙方都能從交互中獲得不同于其他人的交互體驗(yàn)和情感變化，即每次人機(jī)交互的交互體驗(yàn)感都獨(dú)一無(wú)二。

為了查看性格特征和社會(huì)角色在模型有效性中的作用，進(jìn)行消融實(shí)驗(yàn)，結(jié)果如表9所示。

從表9可知，兩者單獨(dú)作用時(shí)，社會(huì)角色對(duì)有效性的影響略高于性格特征，這是因?yàn)樯鐣?huì)角色能抓住參與人情感變化影響參與人交互輸入，而性格特征則增加參與人交互體驗(yàn)感。兩者相結(jié)合才是最佳選擇。

表7 交互參與度消融實(shí)驗(yàn)

表9 有效性消融實(shí)驗(yàn)

5 結(jié)束語(yǔ)

本文提出一種基于模糊認(rèn)知圖的機(jī)器人情感響應(yīng)模型。首先，將PAD情感空間作為機(jī)器人的情感狀態(tài)空間，對(duì)參與人輸入的交互情感值進(jìn)行評(píng)估，得到參與人的情感狀態(tài)矩陣；其次，為機(jī)器人引入性格特征和社會(huì)角色，賦予機(jī)器人性格特征使機(jī)器人情感響應(yīng)具有獨(dú)特性，賦予機(jī)器人社會(huì)角色使機(jī)器人情感響應(yīng)具有主動(dòng)性，利用模糊認(rèn)知圖模型對(duì)機(jī)器人情感響應(yīng)過(guò)程進(jìn)行建模；最后，更新機(jī)器人情感狀態(tài)矩陣，得到機(jī)器人的情感響應(yīng)。實(shí)驗(yàn)結(jié)果從參與人滿意度、體驗(yàn)感、參與度等多個(gè)方面驗(yàn)證模型的有效性。本文考慮到機(jī)器人性格特征和社會(huì)角色對(duì)情感響應(yīng)的影響，但由于人類情感產(chǎn)生不僅與參與人認(rèn)知、喜好、所處生活環(huán)境有關(guān)而且與情感復(fù)雜性、情感顆粒度大小有關(guān)。因此，如何考慮情感主觀性、復(fù)雜性以及情感顆粒度劃分對(duì)機(jī)器人情感響應(yīng)的影響值得進(jìn)一步探索與研究。