一旦选择了下一个情绪或继续保持前一个情绪，必须选择情感状态、合适的反应状态及面部表情。情感状态由三个因素决定：AIML产生的回答（对应回答情绪）、当前情绪（个性化模型的输出，m_n）、前一个情感状态（定义为e_p）。在产生AIML数据库时，在回答中引入标签，可以很好地控制第一个因素。为了把这三个因素联系起来，为每一种情绪都定义了转换概率矩阵。这些矩阵表明了从一种情感状态转换到另一种情感状态的转换概率。很明显，为进入消极情感的消极情绪设定了较高的概率转换值。既然我们应用6种基本表情作为22种情感的分类，那么矩阵的纬度就是7×7（6种表情+中性表情）。这里，我们会发现使用6种基本表情，而不是OCC（Occ，Clore，Collins）情绪评价模型中的22种表情作为分类的好处。表7-2显示了一个针对良好情绪状态下的转换概率矩阵。第一列代表前一个状态下的表情，第一行代表下一个状态下的表情。这样，如果当前的表情输入高兴（Joy）类，那么下一个表情是悲伤（Sadness）的概率就是0.05。

表7-2 良好情绪的转换概率矩阵

如果将嵌入回答的情感定义为e_r，并且情感可以取24个值中的任意一个。P（e_r）定义了标签中的概率。相关的表情分类定义为Ex（e_r）下列代码表明了对下一个情感状态的计算：(www.daowen.com)

for each emotion e_r in response

P（e_n）=Γm_n（Ex（e_p），Ex（e_r））P（e_r）

这里，Γm_n代表情绪m_n的转换概率矩阵。对于每一种情绪和每一种个性都定义了这样的转换矩阵。现在根据直觉和对人类情绪的通常理解来定义这些概率值。然而，让不同的用户对系统进行测试，可以使我们更好地完善这些设定值，从而产生令人信服的结果。与个性化模型相似，一个阈值的设定是为了推断下一种情感。有一种可能存在的情况是，两种情感的概率都大于阈值。在这种情况下，同步模块决定对这些情感的取舍，并最后可以决定在过渡情感之间出现什么样的表情。这样，不需要维护情感变化的历史。可以采用概率的方法将情绪处理的过程从情感处理的过程中分离出来，例如在不改变情绪的情况下改变情感，在不改变情感的情况下改变情绪，或者是情绪和情感都需要改变，这种情况下，需要根据对话和情绪历史来改变。一系列的积极情绪将增加转换到一个积极情绪的概率，而一个积极的情绪可以增加选择一个积极回答的概率。