可以在机器中实现情感模型的构造存在着两种途径:其一是直接模拟人的神经系统的构造与活动特性,这是最本质的模拟,但由于人对脑的认识局限性和计算机运算能力的限制,在目前是难以实现的;其二就是从情感活动结果的特点出发,有限度地去模拟人或动物的基本情感,以获得具有机器人特有的情感行为,实现和谐人机交互,本书选用此法。
著名的西米诺夫提出了有机体的信息与情绪之间的关系,他的理论直接表现为信息理论。我们从信息的角度出发可以构建机器的情感模型为
E=-N(In-Ia) (9-2)
式中,E为机器情绪;N为需要系数,受生理需要、安全需要控制,它们直接影响机器对信息的敏感度,N将随着机器的虚拟生理需要、安全需要不断发生变化,需要系数N等于生理需要因子Np和安全需要因子Ns权重的和,即N=(Np⊕Ns);In为需要信息,指机器和人在交互过程中机器期望获得的信息;Ia为所得信息,指机器和人在交互过程中机器所获得的信息。
按照这个公式,信息按一定形式进行交流便可达到目的。因此,如果机器因缺乏信息而不能适当地组织自己,那么就会使消极的情绪开始行动。但是,如果信息过剩,信息为机器所感兴趣的内容,积极的情绪便会产生。按照公式,Ia>In,即所得信息超过需要信息。
机器的情绪生成是与其情感信息需求及其满足程度直接相关的。机器的期望获得的信息和所获得的信息是多层次的,属于多目标问题。对于多目标问题,各目标的重要程度不同,决策者对目标重要程度所进行的比较及量化称为“价值权衡”,价值权衡最终体现在各个目标的“加权系数”的赋值上,或体现在“影子价格”或决策者为实现某一目标所“愿意支付的代价”上。上述价值权衡、加权系数、影子价格和愿意支付的代价这4个概念是同一本质的。通过引入权重系数的概念就可以对I进行归一量化。
确定权重系数的实用方法——层次分析法:
1.问题的提出
层次分析法是美国运筹学家沙旦提出来的,是一种定性与定量相结合的多目标决策分析方法,力求将决策者的经验判断给予量化。
2.原理
设n个物体A1、A2、…、An的重量分别为w1、w2、…、wn,两两比较重量,得比值矩阵A。
用重量向量
可见:1)W为特征向量;n为特征根。
2)A有如下特点:
①aii=1(aij为矩阵A中第i行,第j列的元素);
②aij=1/aji;
③aik=aijajk;
④A具有唯一非零的最大特征根n。
若判断矩阵具有上述特征,则该矩阵具有完全一致性,而人为的判断总会有误差。
3.步骤
1)建立层次结构模型。
2)构造判断矩阵:决策者对多个属性的重要程度作比较,同时进行比较和判断的属性不能过多,实验表明,不能超过7个因素。
“两两比较法”是每次在n个属性中只对两个属性进行比较,对i、j两个因素进行比较时,作如下约定:
和决策者对话,进行两两因素之间重要程度的比较,有如下结果:
根据上述对话结果,得到比较矩阵A:A=|aij|n×n
矩阵A具有如下性质:
1)aij=1
2)
根据上述性质,和决策者对话进行两两比较的次数不是n2次,而是n(n-1)/2次。
3)求矩阵A最大特征根λmax,然后求出相应的规范化的特征向量W,即
AW=λmaxW
对于其中的各分量就是对应于各因素的权重系数。
4)一致性检验:用两两比较法和决策者对话可得到比较矩阵,但是可能会发生判断不一致,所以需要进行一致性检验。一致性检验,就是检查决策者对多属性评价的一致性。完全一致时,应该存在如下关系:
aik=aijajk
反之,就是不一致。由于不一致性在所难免,那么存在多大的不一致性是可以被接受的呢?这就是一致性检验所要讨论的内容。
一致性检验:当判别不一致时,一般λmax≥n,此时
λmax+∑λi=∑aii=n
λmax-n=-∑λi
为检验判断矩阵一致性,定义一致性指标为
1)当λmax=n,CI=0,为完全一致。
CI值越大,判断矩阵的一致性越差。
2)一般,CI≤0.1认为可以接受。(www.daowen.com)
维数n越大,一致性越差,引入修正值CR:
Saaty构造了最不一致的情况,就是对不同n的比较矩阵中的元素,采取1/9、1/7、…、1、…、7、9随机取数的方式赋值,并且对不同n用了100~500个子样,计算其一致性指标,再求得平均值,记为RI,结果见表9-1。
表9-1 一致性指标平均值
取CR=CI/RI作为更合理的检验判断矩阵一致性指标,只要满足CR≤0.1,就认为所得比较矩阵的判断可以接受。
4.常用的简便计算方法
上述计算权重系数的方法比较麻烦,还有近似算法可以简便地计算权重系数,下面介绍两种常用方法。
(1)和积法 这种方法的步骤如下:
1)对A按列规范化
2)再按行相加得和
3)再规范化,即得权重系数wi
(2)方根法 这种方法的步骤如下:
1)按行元素求积,再求1/n次幂,得
2)规范化,即得权重系数wi
5.建模
假设机器的需求分别为x1、x2、x3、x4。其中,x1为归属与爱的需求(多指渴望得到用户的认同、接受,与用户建立良好和谐的人际关系),x2为自尊的需求(多指希望自己能够胜任所担负的工作,希望得到用户的高度评价,自尊需要的满足将产生自信、有价值和“天生我才必有用”等的感受),x3为认知需求(机器渴望了解用户的信息,或从用户处学到新的知识),x4为自我实现欲望(多指机器对于自我发挥和完成的欲望)。在建模中,权重系数完全取决于设计者对机器的性格要求,不同的设计者所得到的权重系数不尽相同。在个性化建模时,与设计者或用户对话的结果是:
1)x1与x2相比,两者重要性差不多,所以a12=1;
2)x1与x3相比,x1重要,所以a13=5;
3)x1与x4相比,x1重要得多,所以a14=7;
4)x2与x3相比,x2重要,所以a23=5;
5)x2与x4相比,x2重要得多,所以a24=7;
6)x3与x4相比,x3稍重要,所以a34=3。
得比较矩阵A为
用“和积法”计算权重系数,得
通过计算,各wi值达到小数点后3位,由于和决策者对话显然达不到如此高的精度,因此取到小数点后两位已经足够了,所以权重系数可取为w1=0.42、w2=0.42、w3=0.1、w4=0.05。
最大特征根的简易算法是:
对上例中的λmax计算如下:
计算CI得
查n=4时,CI=0.9,计算得
所以与用户对话所得结果的不一致性可以被接受。求得的权重系数wi可以使用,即
I=w1x1+w2x2+w3x3+w4x4=0.42x1+0.42x2+0.1x3+0.05x4 (9-3)
这样,就可以得到归一化的I了。对于设计一个特定性格的机器来说,它的信息归一化的权重系数w是固定不变的。在某一个具体交互主题下,通过初始化x1、x2、x3、x4,就可以得到机器在交互过程中期望获得的信息In,即
In=w1x1+w2x2+w3x3+w4x4 (9-4)
在实际机器和人的交互过程中,机器从每句对话或某几句关联的对话所获得的信息是不同的,通过计算他们的评价值x1′、x2′、x3′、x4′的权重和,就可以得到机器和人在交互过程中机器所获得的信息Ia,即
Ia=w1x1′+w2x2′+w3x3′+w4x4′ (9-5)
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。