一种利用神经霍克斯过程的个体情绪过程模拟与预测方法

1.本发明涉及利用神经霍克斯过程的个体情绪过程模拟与预测方法，属于信息技术领域。


背景技术：

2.人类情绪过程模拟的意义在于，通过计算机模拟人类情绪过程，可以更好地理解人类情绪的本质和机理，为人工智能、心理学、神经科学等领域的研究提供有力支持。具体来说，人类情绪过程模拟可以帮助人们更好地理解人类情绪的产生和变化过程，从而更好地设计和开发智能机器人、虚拟人物、游戏角色等人机交互系统。这些系统可以更加智能、自然地与人类进行交互，提高用户体验和满意度。总之，人类情绪过程模拟是一项具有广泛应用前景的研究，对于人工智能、心理学、神经科学等领域的发展都具有重要意义。
3.人类情绪过程模拟是一个新兴的研究领域，目前在国内外都受到了广泛关注和研究。国外方面，美国、英国、德国等国家的研究机构和高校都在进行相关研究。其中，较为著名的研究机构包括麻省理工学院人机交互实验室、斯坦福大学情感计算实验室等。这些机构在情感计算、人机交互、虚拟现实等领域的研究中，都涉及到了人类情绪过程模拟的相关研究。
4.国内方面，清华大学、北京大学、中科院自动化所等高校和研究机构也在进行相关研究。例如，清华大学计算机科学与技术系的研究团队，开展了基于情感计算的人机交互研究，包括情感识别、情感生成、情感表达等方面的研究。此外，一些企业也在开展相关研究，如百度、腾讯等国内互联网巨头都在人机交互、智能客服等领域探索情感计算和人类情绪过程模拟的相关技术。
5.现有的情绪生成模型中最基本的是occ模型，其定义了22种情绪状态，可以满足情绪计算的基本需求，属于基于规则的模型。ema情绪生成模型则是在其基础上集成了认知和应对行动模块。flame系统将occ模型与模糊逻辑相结合。除了基于规则的模型外，粒子滤波框架被用来模拟多刺激下的不确定情绪状态。霍克斯过程则被用来进行多种情绪之间影响的模拟，简单而言霍克斯过程建立起一种现在状态和过去发生事件之间的一种关联，将用户的情绪状态生成过程看作由特定事件激发的一个点过程，这样用户的情绪强度就是点过程的概率。
6.尽管目前在情绪动态生成方面取得很大研究进展，然而由于人类心理的复杂性，对于个体情绪的动态过程模拟及预测还存在诸多难点。例如
①
同类型的事件有可能抑制而不是激发某种情绪；
②
多个同类事件的综合情绪影响也并不一定是相加的效果；
③
个体的情绪反应也有一定的滞后性，不会立刻产生情绪反应。采用最大后验概率及最大似然估计进行参数训练的参数过于简单，无法有效反应事件之间的相互影响关系。


技术实现要素：

7.针对现有技术存在的上述不足，本发明的目的在于提出一种利用神经霍克斯过程
的个体情绪过程模拟与预测方法，解决多个事件对情绪影响的模拟与预测问题，例如多个同类事件的综合情绪影响也并不一定是相加的效果；个体的情绪反应也有一定的滞后性，不会立刻产生情绪反应。
8.实现上述目的，本发明采用如下技术手段：
9.一种利用神经霍克斯过程的个体情绪过程模拟与预测方法，其特征在于，包括如下步骤：
10.s1、首先设定高兴、悲伤、愤怒、厌恶、恐惧和吃惊6种基本情绪集合，记为s＝{sj,s
sad
,sa,sd,sf,s
sup
}，由于个体可能具有不同的情绪，因此设定混合情绪状态向量e＝(ei|i＝1:6)，其中ei表示每种基本情绪的强度，其范围为[0,1]；当向量每个维度为0，则该状态向量表示平静；
[0011]
s2、根据基本情绪的强度分别划分4个不同的强度等级，再加上平静得到25种子情绪集合，以高兴为例记为sj＝{e
js
,e
jr
,e
jn
,e
jl
}，其中下标s,r,n,l分别表示强烈、较强、一般、微弱4种离散情绪强度，每种子情绪的强度为一个概率值；情绪分为6个维度，每个维度分为4个强度等级，所有情绪维度均低于微弱水平则表示平静；这样就可以对事件划分相应的子情绪的类别，从而便于训练；
[0012]
s3、构建训练数据库，记录个体处于25种子情绪下，受到24件具有不同单一情绪标签的事件影响时的情绪动态过程；训练库数据可以通过调查问卷、表情识别或体征识别等多种方法得到；
[0013]
s4、基于神经霍克斯过程的个体动态情绪模拟与预测：
[0014]
①
利用经过训练的神经霍克斯过程中集成的lstm模块，根据输入的事件类别标签进行推理；例如给出事件的情绪类别是令人高兴的事件，本方法能够推理出个体受该事件影响后的高兴情绪强度及衰退过程；
[0015]
②
根据lstm中隐藏状态向量确定个体接收到事件后所产生的情绪类别、强度；
[0016]
③
根据lstm中的记忆单元确定个体所产生相应情绪的衰退参数；
[0017]
④
个体上个时刻的情绪状态向量结果是下个时刻情绪状态向量的输入；
[0018]
其中，神经霍克斯过程通过集成了长短期记忆网络(lstm)达到学习强度对过去事件的数量、顺序和时间的复杂依赖性的目的。
[0019]
进一步，所述步骤s3构建训练数据库，包括获取待模拟及预测用户对不同事件的情绪反应数据{ni,e
t1
...e
tn
}，其中ni为事件的情绪类别标签，e
t1
为个体在各采样周期内的情绪向量；其中，需要对事件内容进行分类、标记，还需要进行个体对事件产生情绪的采样与量化；针对由高兴、悲伤、愤怒、厌恶、恐惧和吃惊六种基本情绪，强度不同而细分得到25种子情绪，情绪强度按强烈、较强、一般、微弱递减；
[0020]
利用双向反馈机制，并利用随机梯度下降算法训练出权重矩阵w和u；其中，lstm输入向量维度大小为6，分别对应六种基本情绪；隐藏状态维度大小设为12～18，深度为1～2层，并设置偏置；事件的情绪类别向量作为初始输入，采样的个体情绪状态向量序列作为后续输入。
[0021]
其中，所述步骤s3中对事件进行标记，事件所具有的单一情绪标签所表示情绪强度和前面定义的子情绪强度一致，因不包含平静事件，故而共有24类；一个事件可以拥有一个情绪类别标签，也可以拥有多个情绪类别标签，即可以激发多种情绪。
[0022]
其中，所述步骤s3中情绪向量的动态数据获得方法，包括：
[0023]
a、个体主观进行陈述，即采用调查问卷的方式，让个体自主填写对不同事件的反应情绪向量及强度，并给出情绪消退前等长间隔的特定时刻的采样情绪强度；
[0024]
b、通过面部表情进行识别，即采用常见的表情识别算法识别出个体的表情，然后计算出每个等长间隔时刻的采样情绪类别与强度；
[0025]
c、通过心跳等体征进行识别，即采用脉搏、呼吸、体温及脑电波等体征进行情绪数据的采集。
[0026]
进一步，所述步骤s4中
②
根据lstm中隐藏状态向量确定个体接收到事件后所产生的情绪类别、强度，包括：
[0027]
在该过程中，受到隐藏状态向量h(t)∈(-1,1)d的控制，其中d为隐藏状态向量的维度，第k种事件在t时刻会激发一个突变的强度λk(t)，并将衰退到一个基准值；而该隐藏状态向量h(t)则由连续时间长短期记忆网络里的记忆单元状态c(t)∈d决定；
[0028]
区别于离散时间长短期记忆网络，并同强度λk(t)的衰退相对应，记忆单元c(t)也将以速率δ衰退到稳定值
[0029]
该过程的形式化参见公式1：
[0030]
λk(t)＝fk(w
k h(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1a)
[0031]
h(t)＝oi⊙
(2σ(2c(t)-1)for t∈(t
i-1
,ti]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1b)
[0032]
结合长短期记忆网络(lstm)，本过程中涉及的输入门i
t+1
、遗忘门f
t+1
、当前输入状态z
t+1
、输出门o
t+1
由下述公式(2)定义：
[0033]it+1
←
σ(w
i k
t
+u
i h(t)+di)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2a)
[0034]ft+1
←
σ(w
f k
t
+u
f h(t)+df)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2b)
[0035]zt+1
←
2σ(w
zkt
+u
z h(t)+dz)-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2c)
[0036]ot+1
←
σ(w
o k
t
+u
o h(t)+do)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2d)
[0037]
其中，w和u为相应的权重矩阵，k
t
为第k类事件在t时刻的编码，d为偏置项，σ为sigmoid函数；其中，记忆单元c
t+1
、其衰退值与衰退系数δ
t+1
定义如下：
[0038]ct+1
←ft+1
⊙
c(ti)+i
t+1
⊙zt+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3a)
[0039][0040]
δ
t+1
←
f(w
d k
t
+u
d h(t)+dd)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3c)
[0041]
最后，根据霍克斯过程公式，除固定时间间隔的特定时刻外任意时刻个体产生的情绪强度可以通过公式(4)得到：
[0042][0043]
其中，λ0(t)为t时刻的基础情绪强度，k为产生情绪的事件的个数。
[0044]
相比现有技术，本发明具有如下有益效果：
[0045]
1、本发明能模拟与预测个体受多个事件影响后的情绪动态过程的方法。根据输入事件的情绪类别标签，利用神经霍克斯过程，模拟与预测个体包含一种或多种平静、高兴、悲伤、吃惊、恐惧、愤怒和厌恶7种基本情绪的混合情绪状态的动态变化过程。可模拟及预测包含一种或多种基本情绪的混合情绪状态，情绪状态以向量的形式表示；并输出相应的情
绪状态向量各维度的强度，该强度以概率的形式表示。
[0046]
2、本发明能够利用深度神经网络模拟动态情绪过程。其中识别所涉及的隐藏状态向量维度、深度网络层数、偏置设置、情绪强度和子情绪的划分可根据实际进行调整。能够提升对个体在一定时间范围内受到多个事件刺激后所产生的情绪类别、强度及衰退过程进行模拟的精确度，并能够提高对事件之间的相互影响模拟的真实程度，此外还能对个体受到不同事件刺激的情绪反应做出精准预测。
[0047]
3、本发明算法采用神经霍克斯过程中集成的lstm(长短记忆网络)根据输入事件类别标签进行推理；根据lstm中隐藏状态向量确定个体接收到事件后所产生的情绪类别、强度；根据lstm中的记忆单元确定个体所产生相应情绪的衰退参数。在高兴、悲伤、吃惊、恐惧、愤怒和厌恶6种基本情绪的基础上对每个情绪划分出4个强度等级，再加上平静从而形成25个子情绪类别，其目的是为了方便对事件情绪属性进行描述。
[0048]
4、利用预先所得的用户情绪反应数据集进行神经网络参数训练后得到。该数据集的每个样例应包含事件的子情绪类别标签，以及个体的情绪强度变化数据。个体的情绪强度变化数据可以通过调查问卷、表情、体征等多种方式采集。
[0049]
5、本发明可应用在游戏、医疗及教育等多种领域。可以为游戏中的虚拟人构建更加真实的情绪反应；可以为失独及老年群体建立情绪沟通的对象；可以构建更具真实性的教育仿真机器人。
附图说明
[0050]
图1是子情绪种类及其强度划分。
[0051]
图2是调查问卷参考样例。
[0052]
图3是训练数据样例。
[0053]
图4是本发明采用的神经霍克斯过程对情绪模拟示意图。
[0054]
图5是本发明多事件刺激情绪模拟结果示意。
[0055]
图6是本发明单一事件产生多种情绪模拟结果示意。
具体实施方式
[0056]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图和具体实施例，对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
[0057]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0058]
实施例1：
[0059]
一种利用神经霍克斯过程的个体情绪过程模拟与预测方法，包括如下步骤：
[0060]
s1、首先设定高兴、悲伤、愤怒、厌恶、恐惧和吃惊6种基本情绪集合，记为s＝{sj,ssad
,sa,sd,sf,s
sup
}，由于个体可能具有不同的情绪，因此设定混合情绪状态向量e＝(ei|i＝1:6)，其中ei表示每种基本情绪的强度，其范围为[0,1]；当向量每个维度为0，则该状态向量表示平静；
[0061]
s2、根据基本情绪的强度分别划分4个不同的强度等级，再加上平静得到25种子情绪集合，以高兴为例记为sj＝{e
js
,e
jr
,e
jn
,e
jl
}，其中下标s,r,n,l分别表示强烈、较强、一般、微弱4种离散情绪强度，每种子情绪的强度为一个概率值，如图1所示，情绪分为6个维度，每个维度分为4个强度等级，所有情绪维度均低于微弱水平则表示平静，见图1最内存六边形部分。这样就可以对事件划分相应的子情绪的类别，从而便于训练。
[0062]
s3、构建训练数据库，记录个体处于25种子情绪下，受到24件具有不同单一情绪标签的事件影响时的情绪动态过程。训练库数据可以通过调查问卷、表情识别以及体征识别等多种方法得到，现列出调查问卷参考样例如图2所示，训练数据如图3所示。
[0063]
s4、基于神经霍克斯(neural hawkes)过程的个体动态情绪模拟与预测：
[0064]
①
利用经过训练的神经霍克斯过程中集成的lstm(long short-term memory)模块，根据输入的事件类别标签(如图3中label部分)进行推导；
[0065]
②
根据lstm中隐藏状态向量确定个体接收到事件后所产生的情绪类别、强度，如图3中右侧情绪强度部分；
[0066]
③
根据lstm中的记忆单元确定个体所产生相应情绪的衰退参数，如下面公式(3)所示；
[0067]
④
由于采用lstm模块，不失一般性的个体上个时刻的情绪状态向量结果是下个时刻情绪状态向量的输入。
[0068]
其中，神经霍克斯过程通过集成了长短期记忆网络(lstm)达到学习强度对过去事件的数量、顺序和时间的复杂依赖性的目的。
[0069]
参见图4，个体受到事件1影响后，并没有马上产生情绪反应，情绪e1具有一定的延迟性；然后受到事件2影响，情绪e1的过程被改变，开始进入情绪过程e2；接着受到和事件2相同类型事件3的刺激，个体情绪强度不仅没有降低反而增加了，形成情绪过程e3；最后受到时间4刺激，个体情绪持续上涨到一定程度开始急速衰退。
[0070]
本发明方法较好的模拟了各种事件之间对情绪的复杂影响。其中e1～e4区别于s1中用于计算的六维情绪向量，是对情绪的抽象表示。
[0071]
在该过程中，受到隐藏状态向量h(t)∈(-1,1)d的控制，其中d为隐藏状态向量的维度，第k种事件在t时刻会激发一个突变的强度λk(t)，并将衰退到一个基准值。而该隐藏状态向量h(t)则由连续时间长短期记忆网络里的记忆单元状态c(t)∈d决定。区别于离散时间长短期记忆网络，并同强度λk(t)的衰退相对应，记忆单元c(t)也将以速率δ衰退到稳定值
[0072]
该过程的形式化参见公式1。
[0073]
λk(t)＝fk(w
k h(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1a)
[0074]
h(t)＝oi⊙
(2σ(2c(t)-1)for t∈(t
i-1
,ti]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1b)
[0075]
结合长短期记忆网络(lstm)，本过程中涉及的输入门i
t+1
、遗忘门f
t+1
、当前输入状态z
t+1
、输出门o
t+1
由下述公式(2)定义：
[0076]it+1
←
σ(w
i k
t
+u
i h(t)+di)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2a)
[0077]ft+1
←
σ(w
f k
t
+u
f h(t)+df)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2b)
[0078]zt+1
←
2σ(w
zkt
+u
z h(t)+dz)-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2c)
[0079]ot+1
←
σ(w
o k
t
+u
o h(t)+do)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2d)
[0080]
其中，w和u为相应的权重矩阵，k
t
为第k类事件在t时刻的编码，d为偏置项，σ为sigmoid函数。记忆单元c
t+1
、其衰退值与衰退系数δ
t+1
定义如下：
[0081]ct+1
←ft+1
⊙
c(ti)+i
t+1
⊙zt+1
(3a)
[0082][0083]
δ
t+1
←
f(w
d k
t
+u
d h(t)+dd)(3c)
[0084]
最后，根据霍克斯过程公式，除固定时间间隔的特定时刻外任意时刻个体产生的情绪强度可以通过公式(4)得到：
[0085][0086]
其中，λ0(t)为t时刻的基础情绪强度，k为产生情绪的事件的个数。
[0087]
图5，黑色曲线为个体受到两种高兴类别事件影响时的情绪强度计算结果，且其刺激强度分布为微弱(0.25)和一般(0.5)，由于只产生高兴情绪，故而省略掉其它5维度。由图可知该个体受到两个高兴刺激后产生了一加一大于二的效果，其情绪强度为0.8，超过两个事件的期望之和即0.5(0.25+0.25)。
[0088]
图6，黑色和灰色为伤心和吃惊情绪强度，该图说明本方法模拟个体受到事件刺激后产生多维情绪反应的过程。个体收到事件刺激后首先会有吃惊的情绪分量，并在第一个时间间隔达到最高强度0.5，然后悲伤的情绪分量逐步提升，并几个时间间隔后达到期望：一般悲伤强度值0.5。
[0089]
由此可见，本发明能够利用深度神经网络模拟动态情绪过程。其中识别所涉及的隐藏状态向量维度、深度网络层数、偏置设置、情绪强度和子情绪的划分可根据实际进行调整。能够提升对个体在一定时间范围内受到多个事件刺激后所产生的情绪类别、强度及衰退过程进行模拟的精确度，并能够提高对事件之间的相互影响模拟的真实程度，此外还能对个体受到不同事件刺激的情绪反应做出精准预测。
[0090]
其中，本发明算法采用神经霍克斯过程中集成的lstm(长短记忆网络)根据输入事件类别标签进行推理；根据lstm中隐藏状态向量确定个体接收到事件后所产生的情绪类别、强度；根据lstm中的记忆单元确定个体所产生相应情绪的衰退参数。在高兴、悲伤、吃惊、恐惧、愤怒和厌恶6种基本情绪的基础上对每个情绪划分出4个强度等级，再加上平静从而形成25个子情绪类别，其目的是为了方便对事件情绪属性进行描述。是通过计算机流程和计算机语言来实现的。
[0091]
本发明可应用在游戏、医疗及教育等多种领域。可以为游戏中的虚拟人构建更加真实的情绪反应；可以为失独及老年群体建立情绪沟通的对象；可以构建更具真实性的教育仿真机器人。
[0092]
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种利用神经霍克斯过程的个体情绪过程模拟与预测方法，其特征在于，包括如下步骤：s1、首先设定高兴、悲伤、愤怒、厌恶、恐惧和吃惊6种基本情绪集合，记为s＝{s
j
,s
sad
,s
a
,s
d
,s
f
,s
sup
}，由于个体可能具有不同的情绪，因此设定混合情绪状态向量e＝(e
i
|i＝1:6)，其中e
i
表示每种基本情绪的强度，其范围为[0,1]；当向量每个维度为0，则该状态向量表示平静；s2、根据基本情绪的强度分别划分4个不同的强度等级，再加上平静得到25种子情绪集合，以高兴为例记为s
j
＝{e
js
,e
jr
,e
jn
,e
jl
}，其中下标s,r,n,l分别表示强烈、较强、一般、微弱4种离散情绪强度，每种子情绪的强度为一个概率值；情绪分为6个维度，每个维度分为4个强度等级，所有情绪维度均低于微弱水平则表示平静；这样就可以对事件划分相应的子情绪的类别，从而便于训练；s3、构建训练数据库，记录个体处于25种子情绪下，受到24件具有不同单一情绪标签的事件影响时的情绪动态过程；训练库数据可以通过调查问卷、表情识别或体征识别等多种方法得到；s4、基于神经霍克斯过程的个体动态情绪模拟与预测：
①
利用经过训练的神经霍克斯过程中集成的lstm模块，根据输入的事件类别标签进行推理；例如给出事件的情绪类别是令人高兴的事件，本方法能够推理出个体受该事件影响后的高兴情绪强度及衰退过程；
②
根据lstm中隐藏状态向量确定个体接收到事件后所产生的情绪类别、强度；
③
根据lstm中的记忆单元确定个体所产生相应情绪的衰退参数；
④
个体上个时刻的情绪状态向量结果是下个时刻情绪状态向量的输入；其中，神经霍克斯过程通过集成了长短期记忆网络lstm达到学习强度对过去事件的数量、顺序和时间的复杂依赖性的目的。2.根据权利要求1所述利用神经霍克斯过程的个体情绪过程模拟与预测方法，其特征在于，所述步骤s3构建训练数据库，包括获取待模拟及预测用户对不同事件的情绪反应数据{n
i
,e
t1
...e
tn
}，其中n
i
为事件的情绪类别标签，e
t1
为个体在各采样周期内的情绪向量；其中，需要对事件内容进行分类、标记，还需要进行个体对事件产生情绪的采样与量化；针对由高兴、悲伤、愤怒、厌恶、恐惧和吃惊六种基本情绪，强度不同而细分得到25种子情绪，情绪强度按强烈、较强、一般、微弱递减；利用双向反馈机制，并利用随机梯度下降算法训练出权重矩阵w和u；其中，lstm输入向量维度大小为6，分别对应六种基本情绪；隐藏状态维度大小设为12～18，深度为1～2层，并设置偏置；事件的情绪类别向量作为初始输入，采样的个体情绪状态向量序列作为后续输入。3.根据权利要求1所述利用神经霍克斯过程的个体情绪过程模拟与预测方法，其特征在于，所述步骤s3中对事件进行标记，事件所具有的单一情绪标签所表示情绪强度和前面定义的子情绪强度一致，因不包含平静事件，故而共有24类；一个事件可以拥有一个情绪类别标签，也可以拥有多个情绪类别标签，即可以激发多种情绪。4.根据权利要求1所述利用神经霍克斯过程的个体情绪过程模拟与预测方法，其特征在于，
所述步骤s3中情绪向量的动态数据获得方法，包括：a、个体主观进行陈述，即采用调查问卷的方式，让个体自主填写对不同事件的反应情绪向量及强度，并给出情绪消退前等长间隔的特定时刻的采样情绪强度；b、通过面部表情进行识别，即采用常见的表情识别算法识别出个体的表情，然后计算出每个等长间隔时刻的采样情绪类别与强度；c、通过心跳等体征进行识别，即采用脉搏、呼吸、体温及脑电波等体征进行情绪数据的采集。5.根据权利要求1所述利用神经霍克斯过程的个体情绪过程模拟与预测方法，其特征在于，所述步骤s4中
②
根据lstm中隐藏状态向量确定个体接收到事件后所产生的情绪类别、强度，包括：在该过程中，受到隐藏状态向量h(t)∈(-1,1)
d
的控制，其中d为隐藏状态向量的维度，第k种事件在t时刻会激发一个突变的强度λ
k
(t)，并将衰退到一个基准值；而该隐藏状态向量h(t)则由连续时间长短期记忆网络里的记忆单元状态c(t)∈
d
决定；区别于离散时间长短期记忆网络，并同强度λ
k
(t)的衰退相对应，记忆单元c(t)也将以速率δ衰退到稳定值c；该过程的形式化参见公式1：λ
k
(t)＝f
k
(w
k h(t))(1a)h(t)＝o
i
⊙
(2σ(2c(t)-1)for t∈(t
i-1
,t
i
]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1b)结合长短期记忆网络(lstm)，本过程中涉及的输入门i
t+1
、遗忘门f
t+1
、当前输入状态z
t+1
、输出门o
t+1
由下述公式(2)定义：i
t+1
←
σ(w
i
k
t
+u
i
h(t)+d
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2a)f
t+1
←
σ(w
f
k
t
+u
f
h(t)+d
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2b)z
t+1
←
2σ(w
z
k
t
+u
z
h(t)+d
z
)-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2c)o
t+1
←
σ(w
o
k
t
+u
o
h(t)+d
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2d)其中，w和u为相应的权重矩阵，k
t
为第k类事件在t时刻的编码，d为偏置项，σ为sigmoid函数；其中，记忆单元c
t+1
、其衰退值与衰退系数δ
t+1
定义如下：c
t+1
←
f
t+1
⊙
c(t
i
)+i
t+1
⊙
z
t+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3a)δ
t+1
←
f(w
d
k
t
+u
d
h(t)+d
d
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3c)最后，根据霍克斯过程公式，除固定时间间隔的特定时刻外任意时刻个体产生的情绪强度可以通过公式(4)得到：其中，λ0(t)为t时刻的基础情绪强度，k为产生情绪的事件的个数。

技术总结
本发明公开一种利用神经霍克斯过程的个体情绪过程模拟与预测方法，首先设定高兴、悲伤、愤怒、厌恶、恐惧和吃惊6种基本情绪集合；根据基本情绪的强度对事件划分相应的子情绪的类别，从而便于训练；构建训练数据库，记录个体处于25种子情绪下，受到24件具有不同单一情绪标签的事件影响时的情绪动态过程；最后进行个体动态情绪模拟与预测。本发明根据输入事件的情绪类别标签，利用神经霍克斯过程，能模拟和预测个体受多个事件影响后的情绪动态过程。解决多个事件对情绪影响的模拟与预测问题，例如多个同类事件的综合情绪影响也并不一定是相加的效果；个体的情绪反应也有一定的滞后性，不会立刻产生情绪反应。不会立刻产生情绪反应。不会立刻产生情绪反应。


技术研发人员：向南
受保护的技术使用者：重庆理工大学
技术研发日：2023.06.27
技术公布日：2023/9/20