发新话题
打印

情绪研究在计算机科学领域的发展及应用

情绪研究在计算机科学领域的发展及应用

情绪研究在计算机科学领域的发展及应用
张冬蕾

摘要  情绪研究是一门跨学科的涉及多种领域知识的综合研究课题。在过去的三十多年中,许多由心理学家和生理学家提出的关于情绪的理论被计算机研究学者应用于情绪的计算和建模中。这些模型涵盖了包括心理学、生理学、认知科学、人工智能等在内的多个领域,从不同的角度阐述了情绪在计算机研究中所起到的关键作用。本文将对国内外计算机领域中的情绪研究现状做出一个较为全面的综合分析与考察,目的在于引起更多的计算机研究学者对情绪研究的重视,并指出未来人工智能研究的一个发展方向。
关键字:情绪研究,认知评价理论,情绪主体

1  引言
情绪在人类的日常行为和感官体验中处于核心地位,人类与当前智能机器的最大区别就在于前者具有产生情绪的能力。早在19世纪,情绪就成为了自然科学研究的对象,然而情绪研究在计算机科学中却一直处于被忽略的地位,直到最近三十年来这种情况才发生了巨大的改变。不断发展的情绪理论有力地支持了计算机科学中人工智能领域的研究。越来越多的人工智能学者认识到,为了实现计算机“拟人化”的美好梦想,仅仅使其具有智能是远远不够的,还必须让计算机理解并具有类似人类的情绪,能与人进行情感的交互。我们可以预见一个“拥有”人类情绪的智能机器所具有的巨大的潜在的应用前景。一般而言,人工智能中的情绪研究主要有两个大的目标:
1.        让计算机表达和辨识情绪;
2.        让计算机真正“具有”情绪,即智能主体能够根据特定的环境刺激产生恰当的情绪反应,使得智能主体更可信,也更具有社会性。
这两大目标合而为一,统称为情感计算。这一概念是由MIT的Picard教授在她的《Affective Computing》[13]一书中最先提出来的,书中给情感计算下了一个定义:
“情感计算是指对与情绪有关的,由情绪引发的,或是能够影响情绪的因素的计算”。
可以看出,这个定义涵盖的内容相当广泛,它几乎包括了所有与情绪相关的计算过程。许多不同类型的研究都可以划归到这个领域,例如一些学者致力于让计算机模拟情绪影响人类解决问题或制定决策的过程[9,6],他们构造出一些能够执行情绪行为的智能主体或称为虚拟人。其核心部件是一个情绪的计算模型。它能够根据虚拟世界中的客观环境产生相应情绪,并对主体的决策和行为施加影响,从而使其活动方式更接近人类,而不是只有逻辑推理和计算能力的机器。另一些人则研究生理情绪信号(如面部或语音表达)的检测、感知或建模,以图大大提高人机交互的效率和质量[3,11]。还有一些学者则关注在计算机网络媒介中人与人之间情绪的交流或分布式情绪[8,4]。然而,在这些种类繁多的研究领域背后,其基础和根本则是对情绪的实质的理解和表示。
其中对生理情绪信号的研究尤其引起了我们的兴趣,而它的核心部件则是情绪的计算模型和拟人主体的情绪行为的设计。关于虚拟主体的设计目前已经开展了大量的工作,它们主要是一些在虚拟世界中存在的软件智能体,可以按照人类的方式产生行为以及对他人行为的响应,从而实现与人或其它虚拟主体的交互。情绪模型被认为是通过与用户的情绪发生作用来实现更有效的人机交互的一个关键组成部分。
为了使计算机“具有”情绪,首先,我们必须理解人类自己的情绪是如何产生的。许多心理学方面的理论和模型都试图对这一过程做出解释,如刺激-响应理论、生理反应理论、面部表情理论、动机理论、主观评价理论等等。目前最为广泛接受的是情绪的认知评价理论。人工智能学者们对它也给予了最多的关注,许多情绪主体的构造都是基于某个评价理论的。根据认知评价理论,情绪是通过主体在产生情绪体验时对某个其主观上认为重要的事件进行评价而产生的。这种评价过程具有主观性,它取决于主体的特定目标、信念和规范等。不同的主体具有不同的内部心理结构,因此对于同一外部刺激的解释可能是不同的,最终所产生的情绪将依赖于他们各自对刺激的认知和主观评价。这一过程我们可以用图1表示:

2  国内外研究现状
2.1  理论基础
在这一部分,我们将集中讨论一些情绪的心理学理论作为计算机模型的基础,这些模型将在下一章提到。在这些理论方法中,每一个都有一些核心思想和其独特的优秀元素,被采纳并应用于现在的情绪系统中。
为了使计算机“自发地”产生情绪,研究者们使用两种方法来模拟情绪的产生过程。一种是模拟刺激情绪发生的生理变化,这方面有代表性的工作是Caáamero在1997年提出的系统[1]。他构造了一个虚拟人类的生理系统来模拟人类的生理系统,通过人造荷尔蒙的变化导致情绪的产生。另外一类则是通过认知评价和推理过程来推理情绪的产生。如上所述,大部分情绪的计算模型是基于认知评价理论的,这类模型的引人之处在于它们可以较为容易的转换为计算机程序代码实现。根据不同的侧重点,这类模型又可分为两种:结构理论和过程理论。结构理论注重定义不同情绪的评价特征和模式,将与情绪相关的评价组织成一组定性的或定量的变量,称为评价维度,然后指出这些维度值如何组合来与不同的情绪相关联。过程理论则注重评价过程本身,将评价过程描述为一个特殊类型的命题推导过程。
2.1.1  结构评价理论
OCC模型 目前最有影响力的认知情绪导出模型是由Ortony等人提出的OCC 模型。它是第一个以计算机实现为目的而发展起来的模型。他们假设情绪是作为一个称为评价的认知过程的结果而产生的。评价取决于三种成分:事件、主体和对象。客观世界中的事件根据主体的目标被评价为满意的(pleased)或不满意的(displeased);主体自身或其他主体的行为根据一组标准的集合被评价为赞成的(approved)或不赞成的(disapproved);对象则根据主体的态度被评价为喜欢的(liked)或不喜欢的(disliked)。由这些评价中的变量产生了一个包含22类情绪的层次结构。
OCC模型为我们提供了一个情绪的分类方案,并给出了这些情绪类型之下的潜在的推理过程。它提供了一个基于规则的情绪导出机制,可以有效地通过计算机进行模拟。它没有利用心理学中普遍采用的基本情绪集合或一个明确的多维空间来描述情绪,而是使用一致的认知结构来表达情绪。基于OCC模型,Elliott实现了一个称为情感推理机(Affective Reasoner)的系统[Elliott1992],Reilly也构造了一个具有可信性和社会性的情绪主体系统用于产生交互式戏剧[Reilly1996]。
Roseman的评价理论 Roseman首先在[15]中提出了一个认知评价模型,后来经过多次修改,最终形成了一个较为完善的理论体系。模型设定了一些认知的维度来决定一个情绪是否产生以及产生的是何种情绪。模型的修改主要是对这些认知维度的细节的修订。最初的模型包含五个维度,通过它们的相互结合来推断产生哪种情绪:
1.        主体是否拥有一个动机,来接近期望发生的情境状态或远离不期望发生的情境状态。
2.        情景是否与主体的动机状态相一致。
3.        一个引起注意的事件是确定的还是不确定的。
4.        主体感知这一事件是应得的还是不应得的。
5.        事件是由谁引起的 — 是环境、主体自身还是其他主体。
由此,Roseman定义了一个多维度的情绪空间。一种情绪可以看作是该空间中的一个特定的点。然而这种情绪空间理论无法解释一些复杂的情绪如悲喜交集。这种情况下主体对同一情境同时做出了两种不同的评价,因此映射后的情绪空间就无法解释一个点为何同时出现在两个位置。
Scherer的模型 Scherer定义了一个更大的系统。它不仅包含认知因素,还综合了其他心理学的成分。五个功能子系统包含在情绪过程中,通过交互作用产生情绪。系统首先通过感知、记忆、预期及对获取的信息的估计来评价刺激因素,然后通过控制神经内分泌、身体以及自治的状态来调整内部条件,据此做出规划、行为准备以及在竞争的动机之间进行取舍,然后控制运动部件将可见的行为表达出来,最后控制注意机制转移到当前状态上,并将结果反馈给其他子系统。其中第一步,即信息处理子系统就是基于认知评价的,称为刺激评价检查(SEC )。这些检查的结果又会引起其他子系统的变化。检查共可分为五种类型:
1.        新颖性检查:确定外部或内部刺激是否发生了改变。
2.        内在愉悦度检查:确定刺激是否是令人愉快的,并引发相应的趋近或回避倾向。
3.        目标重要性检查:确定一个事件是帮助还是阻碍了主体目标的实现。
4.        应对能力检查:决定主体认为事件可以控制的程度。
5.        相容性检查:最终比较事件与主体的内部或外部标准的符合程度。
Scherer的模型与Roseman的模型在机制上有一定的相似性,只是定义了不同的认知评价维度,通过五种类型的检查相互作用来确定最终产生何种情绪。Scherer的模型优点在于它具有对行为进行选择的能力。行为选择通过动机互相竞争、规划和情境处理模块来实现。
根据上述理论,Scherer最终构造并实现了一个评价理论的计算模型。这个模型的本质是一个基于知识的系统,提供了大量真实世界中的场景实例。系统的输入是一个情景描述,分为15个评价维度,然后与某个根据14个原型成分定义的情绪进行匹配。评价维度和情绪维度都是用特征向量来表示的,匹配过程是计算输入向量和目标情绪向量之间的欧拉距离。但是这种向量空间的方法有很大局限性,因为当匹配不成功时,系统给出的结果是“没有情绪发生”,这显然不符合真实情况,而且不能够将几个评价维度结合起来映射到一个单一的情绪上,无法表示复杂的情绪。
Frijda的理论 Frijda的理论是以“关注”(concern)为中心的。一个“关注”是系统的一个倾向,希望使环境中或主体自身组织产生某些特定的状态。关注决定了系统的目标和偏好。系统在一个不确定的环境中可能产生多个关注。当一个情境产生,使得这些关注的实现受到威胁时,就会出现所谓的“行为倾向”。这些行为倾向与情绪状态密切相关,如“趋近”的行为倾向产生“希望”的情绪,而“回避”的行为倾向产生“恐惧”的情绪,等等。他还给出了一个功能性的情绪系统必须具有的九个组成部分。
Frijda的模型定义了15个由行为导出的情绪,同一时刻可能存在多个关注。他的模型将重点放在了规划和行为上。这一点对于构建自治主体非常有益,可以很容易地将情绪及其对行为的影响表示出来并加以解释。
2.1.2  过程评价理论
Reisenzein认为目前为止过多的研究重点都放在了情绪的结构理论上,而很少有人关注评价过程本身。因此,他将评价过程同结构理论区分开来。评价过程是通过被评价物体的其他信念来构造评价信念的过程。从认知角度来看,结构理论是以描述评价的说明性语义为目的的,而过程理论完善了对过程语义的描述。
Reisenzein区分了中心和外围两种不同类型的主要评价过程。外围评价过程的组成部分有:(1)计算信念强度和期望强度的过程,作为中心评价过程的直接输入;(2)不同类型的其他评价过程,用于辅助可能性或期望强度的计算。这二者构成了对一个焦点事件的可能原因和结果的评估,并确定了当前事件与社会和道德标准所符合的程度。中心评价过程包含对期望一致性和信念一致性的检查,这是一个持续不断的并发的机制,监控新获得的信念和期望与已有的信念和期望的相容程度。它们感知到主体内部状态,并对系统中重要的变化用信号标记。如果信号超过了一个特定阈值,就产生了干预过程,将注意集中于特定的输入上,并重新设定期望和信念的强度值,从而产生特性化的意识体验,即情绪。
总的来说,Reisenzein从一个全新的角度给我们呈现了一个动态的、自循环的信息处理过程。它看起来更自然,也更接近人类的真实的情绪产生机制。他的评价过程可以看作是主体(agent)的内部运行机制。他还考虑了核心评价过程的结果对其他评价过程的影响,这在以前的许多模型中是从未提到过的。
2.2  计算机实现及其应用
目前为止我们讨论了几个广为应用的情绪理论和模型,作为进一步实现和应用的基础。这些模型总结了一些典型情绪的产生原因及引发因素,并从理论角度对一个情绪系统的构成成分做出了分类。如上所示,在这些模型背后的运行机制是认知评价理论。在这一部分,我们将看到一些具体的系统,它们大部分是基于规则机制的,各自实现或部分实现了上述的那些模型。
2.2.1  Elliott的Affective Reasoner
Elliott的系统可以看作是OCC模型的一个计算机实现。这个称为Affective Reasoner(简称AR)的系统是一个计算机模拟器,可以在一个多主体系统中进行情绪的推理。它是基于OCC模型的一个扩展假设来设计的,共有24种不同类型的情绪,每一种情绪都由一组不同的认知导出条件通过推理得出。
Elliott认为一种研究情绪推理过程的方法是模拟一个由主体(agent)所处的假想世界,主体能够参与情绪场景。因此AR是在一个多主体世界的环境中发挥作用。每个主体有一组用符号表示的评价框架,包含主体的目标、偏好、行为准则以及当前的心境。某个情境在它们的世界中产生,主体基于各自的评价框架来解释这些情境,情境中的变量与这些解释相关联,这些关联决定了产生的情绪及其强度。然后在这一特定情境中,一个确定的情绪行为就被引发了。主体可以同时具有多种情绪,甚至可以是相互冲突的。它们不但可以根据情境自己产生情绪,还可以根据其他主体的行为来推导它们的情绪。
Elliott的系统的最大贡献就是使用了显式的评价框架,根据特定的评价变量来对事件进行特征化,从不同的角度(主体自己或其他主体)来对同一事件进行评价和解释。另外他显式地归纳了一组能够影响情绪强度的变量。在变量的值和情绪的模拟强度之间架设了一座桥梁。但有些变量之间的差别过于细微,而且变量之间还存在着相互依赖,所以有时需要更复杂更精确的函数来描述这些过程。
2.2.2  Reilly和Bates的EM系统
Em 是作为一个更大的系统Oz Project中的情绪模块来发挥作用的。Oz的目标是构建处于虚拟现实世界中的自治主体,从而实现一个交互式的戏剧系统。系统希望实现一个与其他系统相比更广泛且更浅显的主体(agent)架构。当大多数情绪计算的AI 系统致力于某个具体的方面且试图将其概括得尽可能精细时,Reilly和Bates采用了相反的方法:他们将精力集中于产生拥有更广泛能力集合的主体上,包括目标导向的反应行为、情绪状态和行为、社会知识和行为以及自然语言能力。每一个能力都很有限,但对于构造广泛的集成化的主体来说都是必须的。
Em是作为这个系统的一个模块嵌入其中的,用于产生更真实可信的社会行为。它根据是否喜好的特征、行为和当前目标解释了对象、其他主体和环境中的当前状态,然后引发相应的情绪状态(如当目标实现时就会高兴,接近一个自己喜欢的对象等等)。通过引入一个累积的阈值机制来确定哪种刺激会产生一个情绪反应。
Em的优点是虚拟主体的情绪强度可以随时间逐渐减弱或持续一段时间,这将取决于情绪的类型和实际的情绪提取情境,与真实世界中相类似。这就赋予了每个主体一个及时更新自己情绪状态的机制,从而可以进行持续不断的交互。
另外在Em中,引入了动机和感知模块作为情绪产生的前提的一部分,从而使得情绪的产生机制更为简洁,且不仅仅依赖于认知结构。
2.2.3  Gratch和Marsella的EMA
EMA 探讨了情绪对认知的影响,以及认知如何作用于情绪。系统使用了评价理论来描述主体是如何评价一个情境的,以及结果的情绪是如何在主体中表示出来的。因此,情绪响应不是作为感知系统的直接输入的结果,而是基于主体对当前情境的解释,它可以包含任意的认知过程甚至记忆中的前一个情境的回放。类似于Elliott的AR,EMA使用了显式的评价框架,对事件根据特定的评价变量进行特征化,然而他们的评价不仅包含当前条件,还包含可以导致当前状态的过去的事件及对将来的预期。系统主要由两个不断重复循环的步骤组成:主体对当前情境进行评价导致情绪产生,然后有选择地对这种情绪进行应对:或者改变自己的评价(集中关注于情绪:emotion-focused),或者改变自己所处的情境(集中关注于问题:problem-focused)。应对决定了主体对事件进行评价后如何行动,或维持希望的状态,或改变不希望的状态。这两种应对本质上代表了两种相反的评价方向,确定了一个情绪的原因解释,从而决定它应该被维持还是改变(见图2)。

正如我们所看到的,EMA不是直接对环境中的事件进行评价,而是将它们解释为记忆中的目标、信念、规划和意图,由一个评价框架对其进行评价。这使得EMA避免了大量的与某个具体领域相关的评价规则,而这在前面的一些方法中则是必须的。EMA将一个评价看作从解释原因所具有的与具体领域无关的特征到个体的评价变量的映射。与具体领域有关的信息则限制在操作算子描述中,作为规划建立的基础。另外,EMA中给出了事件的定义,将时间看作任何在原因解释中表示的物理行为,它可以帮助或阻止一些对主体效用不为零的状态,这在以前的系统中是没有的。
2.2.4  Sloman的CogAff
Sloman的情绪理论在它的CogAff 系统中得到了实现。CogAff是基于两个概念的结合。一是这个系统分为三个部分:输入(称为感知),中心处理,输出(称为行为)。二是每一个部分都分为三个不同层次,使得系统可以在不同级别上进行抽象:反应机制,它将外部或内部状态直接映射为行为或情绪,而不经过认知评价过程;意图机制,它对情境进行推理,做出规划,并理解行为的序列,从而通过认知过程产生情绪;元管理机制,它使得主体对不同内部状态的意识和评价成为可能。这一体系的不同层次概括了不同的情绪类型。层次之间的交互和竞争控制导致了更为复杂的情绪。
CogAff的一个优点是它引入了一个先进的自我控制过程作为最高的层次,它的作用类似于心境。这种自我控制机制监控整个内部状态,并为将要发生的情绪趋向提供了一个背景和前提。
CogAff的另一个优点是它提出了“扰动”(perturbance)的概念,将不同类型的情绪统一起来。Sloman认为情绪通常伴随着一种称为“扰动”的状态,它可以被看作是一种失衡的状态。如果整个系统部分失去控制,即当目标实现的动机受到了拒绝、阻碍或推迟时,就会发生这种扰动。
2.2.5  Velásquez’s Cathexis
然而,情绪不仅由简单的推理构成,还由一些低层的非认知性因素影响产生。Izard指出了关于非认知性因素对情绪产生的影响问题,并提出人类四种类型情绪发生器的构想[7]。MIT的Velásquez据此提出了Cathexis情绪产生模型[17]。Cathexis系统由专门主体(称为emotion proto-specialist)构成,每个专门主体代表一类情绪,对输出行为施加影响。与OCC模型中每种情感都对应不同的规则所不同的是,Cathexis模型的核心规则只有一条,也就是它的情绪更新规则。
2.2.6  人工心理
2003年召开的第一届中国情感计算及智能交互学术会议标志着中国人工智能领域的情绪研究也已经开始起步。会上王志良教授提出了一个新的概念—人工心理,它是指利用信息科学的手段,对人的心理活动(着重是人的情感、意志、性格、创造)的更全面内容的再一次人工机器(计算机、模型算法等)实现[19],主要是利用人工智能已有的基础(研究成果、研究方法),结合心理学、脑科学、神经科学、信息科学、计算机科学、自动化科学的新理论和新方法,对人的心理活动全面进行人工模拟。人工心理认为情感的变化是具有统计规律的,围绕对情感的统计规律的描述,可以计算出情感的概率转移矩阵,从而构造出一个具体的情感模型。这里所实现的情感交互不同于以前的基于行为模式的方法,而是基于统计模型的方法。因为情感表现出一种具有概率性分布的行为,据此将情感状态划分为不连续的状态从而构成了情感空间,其熵值表达出所构造的情感的细腻程度,然后将情感状态在情感空间内的转移,视为一个马尔可夫过程。通过对状态的概率转移矩阵的构造,可以得到每个情感状态的概率分布,从而计算出情感的熵值。情感熵为情感状态的转移提供了一种可操作的运算量度,但概率转移矩阵的构造还缺乏一个统一的标准,且目前只考虑了小范围内的情感空间的转移,情感空间的划分还不具有普遍性。
3  我们的出发点:一个新的研究方向
由于人类情绪具有的复杂性和模糊性,虽然目前已建立了很多情绪的计算模型,但它们大多偏重针对部分典型情绪进行辨识和分析,并通过假设少量的离散情绪以及小范围的情绪变化幅度来简化模型。这些工作对于情绪研究十分有益,然而在赋予计算机理解和解释人们在真实世界中面对复杂多变的外界环境时所产生的各种各样的情绪现象的能力方面它们还远远达不到要求。我们认为,这种能力必须依赖于大规模的关于真实世界中人类情绪行为的常识性知识。这种常识性知识的缺乏将大大限制智能系统与用户自然和谐地进行交流的能力。因此,建立一个系统化的、结构化的、可操作的包含了各种各样关于情绪产生的形式化常识知识的知识库迫在眉睫。这种情绪知识是人类知识的一个特殊组成部分,它在人机交互、情感计算、自然语言理解和心理分析中都有重要应用[18]。
目前,我们已经建立了基于角色的包含了人类各种情绪常识的知识库和情绪产生场景的信息库。根据社会心理学理论,人类的心理活动与其在社会生活中所扮演的角色密不可分,这种角色常常决定了一个人的目标、期望、规范、信念等心理结构。因此我们根据角色将情绪常识获取并分类存放在知识库中,并结合场景信息库建立了情绪的推理机制,能够推导特定主体在特定情景中的情绪反应,并对其做出合理的解释。这个知识库的应用前景十分广阔,构造可以自动生成故事的智能主体将成为它的主要用途之一。
4  结论
综上所述,情绪研究已经成为近年来心理学和计算机科学的热点研究领域,它具有高度的综合性和实用性。通过将计算机科学与心理科学、认知科学相结合,研究人与人交互过程中的情绪特点,将有可能设计出具有情绪反馈的人机交互环境,真正实现和谐自然的人机交互。
然而目前情绪研究仍面临着许多挑战,包括:情绪信息的获取、表示与建模。如我们正在构建的海量的情绪数据资源库中情绪信息应如何存储及表示;对能够影响情绪的自然场景的建模;人性化和智能化的人机交互的实现,如将大量的广泛分布的数据进行整合,产生针对不同用户的个性化的情绪反应等等。我们相信,随着心理学理论的不断完善和发展,以及计算机技术及能力的不断提高,情绪研究将越来越引起更多研究学者的关注,最终会设计出真正具有情绪的智能计算机。
参考文献
[1]        Caáamero, D., Modeling motivations and emotions as a basis for intelligent behavior, Proceedings of the First International Conference on Autonomous Agents, New York: ACM Press, 1997
[2]        Elliott, C. The Affective Reasoner: A Process Model of Emotions in a Multi-agent System. Ph.D. Dissertation, Northwestern University, The Institute for the Learning Sciences, Technical Report No.32. 1992.
[3]        Fabri, M., Moore, D., Hobbs, D. Mediating the expression of emotion in educational collaborative virtual environments: an experimental study. In: Virtual Reality, Vol. 7(2), 2004.
[4]        Glazer, C.S. Looking Closely at Emotional Expression in an Online Course: A Case Study of Distributed Emotion. Ph.D. Dissertation, the Faculty of the Graduate School of the University of Texas at Austin. 2003.
[5]        Gratch, J. and Marsella, S. Evaluating the Modeling and Use of Emotion in Virtual Humans. In: Proceedings of the Third International Joint Conference on Autonomous Agents and Multiagent Systems - Volume 1 (AAMAS’04), 2004.
[6]        Henninger, A.E., Jones, R.M., and Chown, E. Behaviors that emerge from emotion and cognition: implementation and evaluation of a symbolic-connectionist architecture. In: Proceedings of the second international joint conference on Autonomous Agents and Multiagent Systems (AAMAS’03), 2003.
[7]        Izard, C.E., Four systems for emotion activation: Cognitive and noncognitive processes, Psychological Review, 100(1), 1993
[8]        Liu, L.G., and Lieberman, H. A model of textual affect sensing using real-world knowledge. In Proc. 8th International Conference on Intelligent User Interfaces, Miami, Florida, pp.125-132. 2003.
[9]         [Maitlis2004] Maitlis, S., and Ozcelik, H. (2004). Toxic Decision Processes: A Study of Emotion and Organizational Decision Making. In: Organization Science, Vol. 15(4)
[10]        Marinier, R., and Laird, J. Toward a Comprehensive Computational Model of Emotions and Feelings. In: International Conference on Cognitive Modeling 2004.
[11]        Nasoz, F., Alvarez, K., Lisetti, L., Finkelstein, N. Emotion recognition from physiological signals using wireless sensors for presence technologies. In: Cognition, Technology and Work, Vol. 6(1). 2004.
[12]        Ortony, A., Clore, G.L. and Collins, A. The cognitive structure of emotions. Cambridge, U.K., Cambridge University Press. 1988.
[13]        Picard, R.W. Affective Computing. MIT Press, London, 1997.
[14]        Reilly, W.S. Believable Social and Emotional Agents. PhD thesis. Technical Report CMU-CS-96-138, School of Computer Science, Carnegie Mellon University, Pittsburgh, PA. 1996.
[15]        [Roseman1979] Roseman, I.J. Cognitive aspects of emotion and emotional behavior. Paper presented at the 87th Annual Convention, American Psychological Association. New York, NY. September 4, 1979.
[16]        Sloman, A. Varieties of Affect and the CogAff Architecture Schema. Available on http://www.cs.bham.ac.uk/research/cogaff/,2001
[17]        Velásquez, J.D. Modeling Emotions and Other Motivations in Synthetic Agents. In: Proceedings of the Fourteenth National Conference on Artificial Intelligence and Ninth Innovative Applications of Artificial Intelligence Conference. Menlo Park. 1997.
[18]        田雯,人类心理常识的研究,博士学位论文,中国科学院计算技术研究所,2003
[19]        王志良,基于人工心理理论的情感模型建立及其数值仿真,第一届中国情感计算及智能交互学术会议论文集,2003

作者简介:
张冬蕾 女,中科院计算所智能信息处理重点实验室 博士研究生,研究方向为常识知识的获取和处理。

TOP

发新话题