外向的、令人愉快的、谨慎的、神经质的、直率的五个因素组成了个性化空间的纬度，这样就有可能根据这些纬度的线性组合设计出任何一种个性。下面将介绍如何使用BBN进行个性化建模。图7-18显示了我们使用的BBN模型。这是一个简单的包括两个母节点和一个子节点的结构。

图7-18 个性化建模

对于个性化中的每一个基本因素建立一个BBN。用户可以指定对这5个因素或少于5个因素进行期望的组合。举例而言，可以建立这样一种个性化：其中30%是神经质的性格，70%是外向的性格。可以组合相关的先验概率和转换概率值，并对其进行标准化，从而产生期望的个性化模型。

“当前的情绪”（表示为m_c）和“回答的情绪”（表示为m_r）可以取三个可能的值：好（Good）、坏（Bad）或一般（Neutral）。

m_c，mr∈[good，neutral，bad]

m_c的初始值可以根据个性化的设计来决定。m_r只是从产生回答的模块的输出中提取出的情感标签分类。m_r的默认值可以定义为中立（Neutral）。例如，骄傲和悲伤分别对应于好和坏的情绪。

个性化模型表示为π，有不同的转换概率值来决定下一个状态的情绪是如何被选择的。这些概率值反映了情感的心理学过程。想象一个人在消极的情绪状态下看见了他的同事。如果他的本质是令人愉快的，他会倾向于很快进入一种积极的情绪状态，当然前提假设是，两人之间首先进行的是问候和愉快的话题。这样一个人的情绪可以被对话状态以及自身的个性所影响。正如BBN结构所提出的，在对话中，一个人可以很轻松地决定其个性将如何影响情绪中的变换。带有转换概率和先验概率P（e_i）的简单贝叶斯计算给出了情绪转换的可能性。计算情绪转换的概率，从而得到嵌入对话中的任何一种可能的情感如下所示：(www.daowen.com)

for each emotion e_i in response

m_r=mood corresponding to e_i

for each possible mood m_n

P（m_n）=BBN（m_c，m_r，π）=P（m_n/m_c，m_r）P（e_i）

这里，P（m_n/m_c，m_r）为每一种个性模型π定义了情绪变化的条件概率。由情感引起的较高值的概率P（m_n）作为一个被选值来决定情绪的改变。例如，为了估计改变的情绪，计算下一个情绪的P（good）、P（neutral）和P（bad），并使用值P（pride）=0.3、P（distress）=0.7及模型中的转换概率值。如果回答中的消极或积极情感多于一种，将增加相关的概率。

以后，用户可以对情绪变化的概率设定一个阈值。如果P（m_n）比这个阈值大，那么m_n可以被选择为下一个情绪状态，否则保持前一个情绪状态。同样，根据对前一个回答的处理，“历史状态”将保持情绪改变的概率。“历史状态”将以非常简单的规则来影响情绪变化概率的决策。例如，假设前一个回答使情绪从积极变化到消极，其概率的值要小于阈值，这样情绪的变化并没有发生。如果下一个回答引发了同样的情绪变化（从积极到消极），转换的可能性就会增大，即使现在情绪变化的可能性很低。

选择情感标签[在我们的例子中是骄傲（Pride）和悲伤（Distress）]的决策，被延迟到下一个情感处理过程。然而，如果计算出的下一个情绪是积极的，为最后的表情选择积极情感的机会就会增加，即使这种决策同样会被现在的面部表情所影响。情绪变化的概率表示了改变这种情绪的难易程度。所以可能出现的情绪变化的概率值[m_c和P（m_n）]会被储存在历史中，用来进行下一次运算。