CN109615077A - 基于对话的情感状态建模和情感迁移方法及装置 - Google Patents
基于对话的情感状态建模和情感迁移方法及装置 Download PDFInfo
- Publication number
- CN109615077A CN109615077A CN201811209912.4A CN201811209912A CN109615077A CN 109615077 A CN109615077 A CN 109615077A CN 201811209912 A CN201811209912 A CN 201811209912A CN 109615077 A CN109615077 A CN 109615077A
- Authority
- CN
- China
- Prior art keywords
- affective state
- feeling
- user
- probability
- emotion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
本发明实施例涉及一种基于对话的情感状态建模和情感迁移方法及装置。所述方法包括:获取所述各用户的初始情感状态和目标情感状态;基于预先设置的情感迁移矩阵,根据所述初始情感状态和所述目标情感状态确定情感转移最短路径;基于所述情感转移最短路径给予所述各用户不同的情感刺激,以使所述各用户的情感向所述目标情感状态迁移。本实施例中可以引导用户向目标情绪状态迁移,为用户更好的服务。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于对话的情感状态建模和情感迁移方法及装置。
背景技术
用户对话过程中,其情感状态会根据对话内容发生变化,因此,研究用户情感迁移,以及合理利用该情感迁移可以将用户从一些情感状态引导至目标情感状态,达到调整用户情感状态的目的。
发明内容
针对现有技术中的缺陷,本发明提供了一种基于对话的情感状态建模和情感迁移方法及装置。
第一方面,本发明实施例提供了一种基于对话的情感状态建模和情感迁移方法,所述方法包括:
获取所述各用户的初始情感状态和目标情感状态;
基于预先设置的情感迁移矩阵,根据所述初始情感状态和所述目标情感状态确定情感转移最短路径;
基于所述情感转移最短路径给予所述各用户不同的情感刺激,以使所述各用户的情感向所述目标情感状态迁移。
可选地,所述预先设置的情感迁移矩阵基于以下方式获取包括:
获取不同用户的历史对话数据集;
采样统计各用户在不同情感刺激下的用户情感转移的概率;
基于用户情感转移的概率确定情感迁移矩阵。
可选地,用户情感包括:快乐、自然、惊讶、悲伤和生气。
可选地,根据所述初始情感状态和所述目标情感状态确定情感转移最短路径包括:
基于维特比算法,确认所述初始情感状态的概率值为1,其他情感状态概率为0;
基于情感迁移矩阵,利用不同情感向不同情感的迁移概率作为路径权重,确定概率最大的情感状态;
利用上一次的情感状态乘以情感迁移矩阵,保留最大值的当前情感状态点和权值概率最大的转移路径作为当前刺激路径,迭代本步骤直至目标状态概率最大为止。
第二方面,本发明实施例提供了一种基于对话的情感状态建模和情感迁移装置,包括:
情感状态获取模块,用于获取所述各用户的初始情感状态和目标情感状态;
最短路径确定模块,用于基于预先设置的情感迁移矩阵,根据所述初始情感状态和所述目标情感状态确定情感转移最短路径;
情感状态刺激模块,用于基于所述情感转移最短路径给予所述各用户不同的情感刺激,以使所述各用户的情感向所述目标情感状态迁移。
可选地,所述最短路径确定模块包括:
历史数据获取单元,用于获取不同用户的历史对话数据集;
转移概率采样单元,用于采样统计各用户在不同情感刺激下的用户情感转移的概率;
迁移矩阵确定单元,用于基于用户情感转移的概率确定情感迁移矩阵。
可选地,用户情感包括:快乐、自然、惊讶、悲伤和生气。
可选地,所述最短路径确定模块包括:
概率确定单元,用于基于维特比算法,确认所述初始情感状态的概率值为1,其他情感状态概率为0;
情感状态确定单元,用于基于情感迁移矩阵,利用不同情感向不同情感的迁移概率作为路径权重,确定概率最大的情感状态;
最短路径确定单元,用于利用上一次的情感状态乘以情感迁移矩阵,保留最大值的当前情感状态点和权值概率最大的转移路径作为当前刺激路径,迭代本步骤直至目标状态概率最大为止。
由上述技术方案可知,本发明实施例基于预先设置的情感迁移矩阵,根据情感转移最短路径对初始情感状态施加不同的情感刺激,从而使用户的情感状态向目标情感状态迁移。这样,本实施例中可以引导用户向目标情绪状态迁移,为用户更好的服务。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1为本发明实施例提供的一种基于对话的情感状态建模和情感迁移方法的方法流程示意图;
图2为本发明实例提供的获取情感迁移矩阵的流程示意图;
图3为本发明实施例提供的获取最短路径的流程示意图;
图4~图7为本发明实施例提供的一种基于对话的情感状态建模和情感迁移装置的框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一实施例提供的基于对话的情感状态建模和情感迁移方法的方法流程示意图,可以适应于心理辅导、警方破案和人机交互的场景。参见图1,该基于对话的情感状态建模和情感迁移方法包括:
101,获取所述各用户的初始情感状态和目标情感状态。
102,基于预先设置的情感迁移矩阵,根据所述初始情感状态和所述目标情感状态确定情感转移最短路径。
103,基于所述情感转移最短路径给予所述各用户不同的情感刺激,以使所述各用户的情感向所述目标情感状态迁移。
可见,本发明实施例中通过对各用户同其他用户对话得到的个性情感迁移矩阵,然后针对各用户在某一种情感状态下,让其通过特定路径的情感刺激,来达到让用户情感按照期望的目标转变的效果。
下面结合附图和实施例对本发明实施例提供的基于对话的情感状态建模和情感迁移方法的各步骤作详细描述。
首先,介绍101,获取所述各用户的初始情感状态和目标情感状态的步骤。
本实施例中,需要预先设置情感迁移矩阵,参见图2,包括:预先获取各用户同其他用户的历史对话数据集(对应步骤201),在历史对话数据集中采样统计各用户在不同情感的刺激下,用户情感转移的概率(对应步骤202)。其中,用户情感主要分为五大类分别是:快乐、自然、惊讶、悲伤和生气。基于用户情感转移概率可以得到情感迁移矩阵,即根据当前情感状态下的用户情感,在不同情感或者不得到情感刺激下,当前情感转向不同情感的概率。之后,基于用户情感转移的概率可以确定情感迁移矩阵(对应步骤203)。
本实施例中,在用户与其他用户对话的过程中,通过用户的当前对话数据可以得到用户的初始情感状态,而用户的目标情感状态可以基于具体场景进行设置,例如当用户的初始情感状态为“悲伤”时,其目标情感状态可以设置为“快乐”;又如,当用户的初始情感状态为“生气”时,其目标情感状态可以设置为“快乐”。
其次,介绍102,基于预先设置的情感迁移矩阵,根据所述初始情感状态和所述目标情感状态确定情感转移最短路径的步骤。
本实施例中,按照情感迁移矩阵来计算施加每一种情感刺激或者不添加情感刺激后的用户情感状态Si的概率,找寻总体概率最大的路径[E1,E2,….En]。
本实施例中,参见图3,利用维特比算法,从初始情感状态S出发,默认其概率值为1,其他情感状态概率为0(对应步骤301)。对于用户的下一个情感状态,可以根据之前获取情感迁移矩阵,利用五种情感向不同情感的迁移概率作为路径权重,并选取每次概率最大的情感状态(对应步骤302),保存为:
D(S,X2i)=max(i=1,n1)D(S,X1i)+D(X1i,X2i);
然后,对于后续每次的情感状态,由上一次保留情感状态的概率乘以情感迁移矩阵的概率,同样保留最大值为当前情感状态点且权值概率最大的迁移路径作为当前刺激路径,直至到目标状态概率最大为止(对应步骤303)。
再次,介绍103,基于所述情感转移最短路径给予所述各用户不同的情感刺激,以使所述各用户的情感向所述目标情感状态迁移的步骤。
本实施例中,基于步骤102的情感转移最短路径,可以按照最短路径中的情感状态刺激用户的当前情感(即初始情感状态),使初始情感状态尽快迁移到目标情感状态。
至此,本实施例中合理地进行采样与收集用户与其他的历史对话数据,准确地判断其每句话中含有的情感以及对外界刺激的情感转移。并计算得出每种情感状态在受到不同的情感刺激(或者不受任何情感刺激)下向不同情感转移的概率。并且,本实施例中,准确地利用相对应的算法找出原始情感到目标情感的状态转移最短路径,得到最短的情感刺激序列,让个体能在外界的刺激下最快地由原始情感状态转移到目标情感状态。
下面以实施例和附图验证本发明实施例提供的一种基于对话的情感状态建模和情感迁移方法的有效性和优越性。
本实施例中,基于采样方法对用户A与其他用户的对话的样本进行采样分析,得出用户A在不同的情感状态下对不同的情感刺激转移到其他情感的概率。本实施例中以0-4五种情感标记来表示用户A的情感,分别是自然,快乐,惊讶,伤心和生气,状态转移矩阵如表1所示:
表1状态转移矩阵
初始,刺激 | 自然 | 快乐 | 惊讶 | 伤心 | 生气 |
自然,自然 | 0.3559 | - | - | - | - |
自然,快乐 | 0.2667 | - | - | - | - |
自然,惊讶 | 0.6071 | - | - | - | - |
自然,伤心 | 0.6 | - | - | - | - |
自然,生气 | 0.5 | - | - | - | - |
然后,利用维特比算法获取两种情感之间的最短刺激路径:由采样得到的情感矩阵,将每种刺激得到下一种情感的概率作为权重,转移状态如图4所示。
本实施例中首先确定初始情感状态与目标情感状态,设定初始情感状态的概率为1,然后乘以当前情感受某种情感刺激的概率,每次保存当前各情感的概率值的最大值以及最大值过来的路径刺激情感,反复连乘,直到目标情感的概率最大为止。
2)假设初始情感为快乐2,目标情感为生气4,结果如表2所示:
表2中,初始情感的概率值为1,每次乘以不同刺激下的迁移矩阵中的概率,选取每次的最大值和刺激的情感标记为保存,最后直至愤怒情感为最大,这时再从愤怒情感反向找至最大值的路径,表2对应的刺激路径即为快乐-惊讶-伤心-自然-生气。
需要说明的是,在实际过程中,某种非目标的情感会反复出现,并且路径的长短也不一,不同的初始情感与刺激情感之间的路径也会随着情感迁移矩阵的持续采样变化而不停地变化。
图5为本发明一实施例提供的一种基于对话的情感状态建模和情感迁移装置的框图。参见图5,一种基于对话的情感状态建模和情感迁移装置包括:
情感状态获取模块501,用于获取所述各用户的初始情感状态和目标情感状态;
最短路径确定模块502,用于基于预先设置的情感迁移矩阵,根据所述初始情感状态和所述目标情感状态确定情感转移最短路径;
情感状态刺激模块503,用于基于所述情感转移最短路径给予所述各用户不同的情感刺激,以使所述各用户的情感向所述目标情感状态迁移。
在一实施例中,参见图6,在图5所示基于对话的情感状态建模和情感迁移装置的基础上,所述最短路径确定模块502包括:
历史数据获取单元601,用于获取不同用户的历史对话数据集;
转移概率采样单元602,用于采样统计各用户在不同情感刺激下的用户情感转移的概率;
迁移矩阵确定单元603,用于基于用户情感转移的概率确定情感迁移矩阵。
在一实施例中,用户情感包括:快乐、自然、惊讶、悲伤和生气。
在一实施例中,参见图7,在图5所示基于对话的情感状态建模和情感迁移装置的基础上,所述最短路径确定模块502包括:
概率确定单元701,用于基于维特比算法,确认所述初始情感状态的概率值为1,其他情感状态概率为0;
情感状态确定单元702,用于基于情感迁移矩阵,利用不同情感向不同情感的迁移概率作为路径权重,确定概率最大的情感状态;
最短路径确定单元703,用于利用上一次的情感状态乘以情感迁移矩阵,保留最大值的当前情感状态点和权值概率最大的转移路径作为当前刺激路径,迭代本步骤直至目标状态概率最大为止。
需要说明的是,本发明实施例提供的一种基于对话的情感状态建模和情感迁移装置与上述方法是一一对应的关系,上述方法的实施细节同样适用于上述装置,本发明实施例不再对上述系统进行详细说明。
本发明的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (8)
1.一种基于对话的情感状态建模和情感迁移方法,其特征在于,包括:
获取所述各用户的初始情感状态和目标情感状态;
基于预先设置的情感迁移矩阵,根据所述初始情感状态和所述目标情感状态确定情感转移最短路径;
基于所述情感转移最短路径给予所述各用户不同的情感刺激,以使所述各用户的情感向所述目标情感状态迁移。
2.根据权利要求1所述的基于对话的情感状态建模和情感迁移方法,其特征在于,所述预先设置的情感迁移矩阵基于以下方式获取包括:
获取不同用户的历史对话数据集;
采样统计各用户在不同情感刺激下的用户情感转移的概率;
基于用户情感转移的概率确定情感迁移矩阵。
3.根据权利要求2所述的基于对话的情感状态建模和情感迁移方法,其特征在于,用户情感包括:快乐、自然、惊讶、悲伤和生气。
4.根据权利要求1所述的基于对话的情感状态建模和情感迁移方法,其特征在于,根据所述初始情感状态和所述目标情感状态确定情感转移最短路径包括:
基于维特比算法,确认所述初始情感状态的概率值为1,其他情感状态概率为0;
基于情感迁移矩阵,利用不同情感向不同情感的迁移概率作为路径权重,确定概率最大的情感状态;
利用上一次的情感状态乘以情感迁移矩阵,保留最大值的当前情感状态点和权值概率最大的转移路径作为当前刺激路径,迭代本步骤直至目标状态概率最大为止。
5.一种基于对话的情感状态建模和情感迁移装置,其特征在于,包括:
情感状态获取模块,用于获取所述各用户的初始情感状态和目标情感状态;
最短路径确定模块,用于基于预先设置的情感迁移矩阵,根据所述初始情感状态和所述目标情感状态确定情感转移最短路径;
情感状态刺激模块,用于基于所述情感转移最短路径给予所述各用户不同的情感刺激,以使所述各用户的情感向所述目标情感状态迁移。
6.根据权利要求5所述的基于对话的情感状态建模和情感迁移装置,其特征在于,所述最短路径确定模块包括:
历史数据获取单元,用于获取不同用户的历史对话数据集;
转移概率采样单元,用于采样统计各用户在不同情感刺激下的用户情感转移的概率;
迁移矩阵确定单元,用于基于用户情感转移的概率确定情感迁移矩阵。
7.根据权利要求6所述的基于对话的情感状态建模和情感迁移装置,其特征在于,用户情感包括:快乐、自然、惊讶、悲伤和生气。
8.根据权利要求5所述的基于对话的情感状态建模和情感迁移装置,其特征在于,所述最短路径确定模块包括:
概率确定单元,用于基于维特比算法,确认所述初始情感状态的概率值为1,其他情感状态概率为0;
情感状态确定单元,用于基于情感迁移矩阵,利用不同情感向不同情感的迁移概率作为路径权重,确定概率最大的情感状态;
最短路径确定单元,用于利用上一次的情感状态乘以情感迁移矩阵,保留最大值的当前情感状态点和权值概率最大的转移路径作为当前刺激路径,迭代本步骤直至目标状态概率最大为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811209912.4A CN109615077A (zh) | 2018-10-17 | 2018-10-17 | 基于对话的情感状态建模和情感迁移方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811209912.4A CN109615077A (zh) | 2018-10-17 | 2018-10-17 | 基于对话的情感状态建模和情感迁移方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109615077A true CN109615077A (zh) | 2019-04-12 |
Family
ID=66002331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811209912.4A Pending CN109615077A (zh) | 2018-10-17 | 2018-10-17 | 基于对话的情感状态建模和情感迁移方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615077A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706785A (zh) * | 2019-08-29 | 2020-01-17 | 合肥工业大学 | 基于对话的情感调节方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609572A (zh) * | 2017-08-15 | 2018-01-19 | 中国科学院自动化研究所 | 基于神经网络和迁移学习的多模态情感识别方法、系统 |
CN108009573A (zh) * | 2017-11-24 | 2018-05-08 | 北京物灵智能科技有限公司 | 一种机器人情绪模型生成方法、情绪模型以及交互方法 |
CN108170827A (zh) * | 2018-01-08 | 2018-06-15 | 合肥工业大学 | 基于微博数据的个人性格建模方法及装置 |
CN108197667A (zh) * | 2018-01-30 | 2018-06-22 | 安徽斛兵信息科技有限公司 | 基于对话的个人异常情绪检测方法及装置 |
CN108197276A (zh) * | 2018-01-08 | 2018-06-22 | 合肥工业大学 | 基于会话的公众情感转移分布建模方法及装置 |
CN108197274A (zh) * | 2018-01-08 | 2018-06-22 | 合肥工业大学 | 基于对话的异常个性检测方法及装置 |
CN108460111A (zh) * | 2018-02-08 | 2018-08-28 | 合肥工业大学 | 基于对话的个人性格建模与生成方法及装置 |
-
2018
- 2018-10-17 CN CN201811209912.4A patent/CN109615077A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609572A (zh) * | 2017-08-15 | 2018-01-19 | 中国科学院自动化研究所 | 基于神经网络和迁移学习的多模态情感识别方法、系统 |
CN108009573A (zh) * | 2017-11-24 | 2018-05-08 | 北京物灵智能科技有限公司 | 一种机器人情绪模型生成方法、情绪模型以及交互方法 |
CN108170827A (zh) * | 2018-01-08 | 2018-06-15 | 合肥工业大学 | 基于微博数据的个人性格建模方法及装置 |
CN108197276A (zh) * | 2018-01-08 | 2018-06-22 | 合肥工业大学 | 基于会话的公众情感转移分布建模方法及装置 |
CN108197274A (zh) * | 2018-01-08 | 2018-06-22 | 合肥工业大学 | 基于对话的异常个性检测方法及装置 |
CN108197667A (zh) * | 2018-01-30 | 2018-06-22 | 安徽斛兵信息科技有限公司 | 基于对话的个人异常情绪检测方法及装置 |
CN108460111A (zh) * | 2018-02-08 | 2018-08-28 | 合肥工业大学 | 基于对话的个人性格建模与生成方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706785A (zh) * | 2019-08-29 | 2020-01-17 | 合肥工业大学 | 基于对话的情感调节方法和系统 |
CN110706785B (zh) * | 2019-08-29 | 2022-03-15 | 合肥工业大学 | 基于对话的情感调节方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685811A (zh) | 基于双路径U-net卷积神经网络的PET/CT高代谢淋巴结分割方法 | |
CN110717251B (zh) | 一种考虑多要素的分布式水文模型子流域划分方法 | |
CN109615077A (zh) | 基于对话的情感状态建模和情感迁移方法及装置 | |
CN107705305A (zh) | 一种医学图像处理的方法及装置 | |
CN109086902A (zh) | 处理方法、处理装置、服务器、计算机设备和存储介质 | |
CN107656752A (zh) | 一种车辆控制器软件更新的方法、装置及车辆 | |
CN107330900A (zh) | 一种自动人像分割方法 | |
CN112541584B (zh) | 深度神经网络模型并行模式选择方法 | |
CN105718641A (zh) | 批量化建立cae二维网格的方法 | |
CN106777582A (zh) | 一种基于组织分化的长骨骨折愈合仿真系统 | |
CN111833590B (zh) | 交通信号灯的控制方法、装置及计算机可读存储介质 | |
CN110298036A (zh) | 一种基于词性增量迭代的在线医疗文本症状识别方法 | |
CN106131086A (zh) | 一种访问控制列表的匹配方法及装置 | |
CN104463420B (zh) | Ota网站的订单处理系统及方法 | |
CN106777302A (zh) | 空间地理坐标的转换方法及装置 | |
CN107899111A (zh) | 注射泵控制方法和装置、计算机设备和存储介质 | |
CN108875812A (zh) | 一种基于分支卷积神经网络的驾驶员行为分类方法 | |
CN108304424A (zh) | 文本关键词提取方法及文本关键词提取装置 | |
CN109992770A (zh) | 一种基于组合神经网络的老挝语命名实体识别方法 | |
CN106777036A (zh) | 一种数据渲染方法及数据渲染系统 | |
CN109284700A (zh) | 图像中多个人脸检测的方法、存储介质、设备及系统 | |
CN108090327A (zh) | 包含三维自由能的外源性miRNA调控靶基因预测方法 | |
CN104715112B (zh) | 批量化钻孔的方法 | |
CN108181809A (zh) | Miso紧格式无模型控制器基于系统误差的参数自整定方法 | |
CN108288074A (zh) | 一种数据特征的选择方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |