1.个性化参数

在进行个性化定义的过程中，需要进行对下列参数的指定：

1）“当前情绪”的初始值，通常设定为中性值。

2）对于每一个个性化因素的BBN，需要设定一个条件概率值。

3）需要设定个性化模型中，决定5个因素如何进行组合的系数。

4）对于情绪变化的决策，需要设定一个阈值（0～1）。如果情绪变化的概率值高于这个阈值，那么情绪即发生变化。

2.情绪参数

下面列出了与情绪相关的参数，这些参数可以由用户设定：

1）初始情感或人脸表情，通常设定为中性值。

2）应用于积极、中性和消极情绪的三个转换概率矩阵。用户可以设计自己的矩阵，或者从预先设计的矩阵中进行选择。在以后的设计中，这些矩阵可以根据每一种个性化而各不相同。(www.daowen.com)

3）决定是否改变当前情感的阈值（0～1）。

前面的叙述中，曾经提过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）和前一个情感状态（定义为e_p）。为了简化问题，这里将前一个情感状态等价为个性化状态（即历史状态变换为0），AIML回答产生的情绪变换即为外界的刺激，当前的情绪为情感模型最后输出的情绪状态。

在设计情感模型时，首先针对最简单的情况建模，假设心情分为一般（neutral）、好（good）、坏（bad）三种情况，相应的表情也可分为无表情、高兴、不高兴三种情况。为了简化运算，现在只考虑当前的情绪作为主要特征，而暂时不考虑对话前的情绪状态。在各种心情之间的转换概率见表7-2。

除非有新的激励，心情的波动随着时间的增加而衰减。所以人们大多数时间是处于平静的心态下的。当一个虚拟人首次与人类交互时，由于在这之前未受过任何激励，所以此时它应该处于一种平静的心态下，随着人机交互的进行，它的情绪按照人类情感反应的特点，逐渐积累、变化。由上述分析，我们可以确定当虚拟人未经过任何激励作用时的初始概率向量，即个性化心理模型π为

π=（π₁，π₂，π₃）=（1，0，0） （7-8）

然而，随着人机交互的不断进行，虚拟人所接受的激励的情况也随之变化，从而在某些情况下，情感模型的初始概率向量会有所变化。比如根据上一个激励信号作用下的情感模型，会得到一个情感输出的结果，包括此时的心情和表情，并且程序通过计算同样得到了出现其他可能出现的心态及表情的概率，此时的初始概率向量应该由已经计算出的可能出现的各种心情的概率决定，按照上一时刻计算得到的模型来产生下一个观察值（以概率的形式体现）。

在设定的情感空间中，可以看出某个具有特定性格的人，当他受到刺激时，他的情感状态可以转化为其他状态，或者说，从空间的某一点可以跳跃到其他任意的状态点之中的一个。但是由于他所受到刺激的不同，转移的状态点的转移概率也不同。实际上，具有不同个性特征的人，可见符号概率矩阵及在同样的激励下的观察值序列是不相同的，在同样的激励下的状态转移矩阵也是不同的，乐观向上的人从任何一种心情出发向好的心情的转移概率都要大于悲观失望的人，他们在同一种心情下所表现出来的快乐的表情的概率也要大于那些悲观的人。这样就可以对某些状态点进行排除。但是由于刺激程度的不同，例如当受到一定程度的高兴的刺激（并非强烈的高兴刺激），那么他的情感状态就有可能转化为有点高兴，这时得出的心理状态会出现多个概率值的结果，这时根据设定的情感空间中对应于每种情绪的阈值，对这几个概率值进行学习、训练、分类。根据几个设定的性格，分别建立自己的训练模型。为了简化实现过程，并突出实验考察的重点，我们设计了如图7-28所示的流程。

图7-28 实现情感虚拟人个性化模型的流程