[发明专利]针对虚拟人的性格训练系统及其方法

权利要求书

1.一种针对虚拟人的性格训练系统的方法，其特征在于，包括如下步骤：

步骤1：建立情感刺激融合的参数化模型；

步骤2：建立事件刺激推理机制；

步骤3：意图融合规则的定制；

步骤4：构建基于隐马尔可夫模型的心理反应模型；

步骤5：模型的训练；

步骤6：执行可持续学习的训练机制。

2.根据权利要求1所述的针对虚拟人的性格训练系统的方法，其特征在于，所述情感刺激包括：用户的表情、用户所说语句文本的情感、用户语音语调中包含的情感以及用户自身特征和动作中所隐含的情感；

所述用户的表情、用户所说语句文本的情感以及用户语音语调中包含的情感分别在视觉模块、语义模块和语音模块中给出；这三种情感取值将通过加权的方式融合到情感刺激；

所述用户自身特征和动作中所隐含的情感以布尔变量的形式给出，即表明是否具有这种特征或该动作是否出现，每个特征或动作所隐含的情感以参数矢量的形式描述，它们通过加权后融合到情感刺激。

3.根据权利要求1所述的针对虚拟人的性格训练系统的方法，其特征在于，所述建立事件刺激推理机制包括对用户的表情、用户所说语句文本的情感以及用户语音语调的判断，所述语音模块把用户语音语调转换成语句文本来输入所述语义模块，所述语义模块通过自然语言处理分词方式对输入的语句文本做出包括情感主体的判定、主体/客体极性的判定、事件/行为极性的判定、事件状态的判定和自身反应的判定，所述对作为视觉事件的用户的表情的判断方式包括：

(1)情感主体的判定，其包括：

情感主体以智能体为中心，分为自身和他人，自身指的就是智能体本身，他人指的是视野中的用户的表情识别出来的人；

(2)主体/客体极性的判定，其包括：

主体/客体极性划分为五类：正面、非正面、负面、非负面和不存在，将识别出来的人的表情、年龄、颜值和性别四类特征的不同取值做如上五类极性的划分；

(3)事件/行为极性的判定，其包括：

事件/行为极性分五类：期望的、不期望的、值得表扬的、值得批评的和不存在，将识别出来的人的动作做如上五类划分；

(4)事件状态的判定，其包括：

事件状态分六类：确定过去未发生,不确定过去未发生,不确定将来是否发生,确定已发生,该特征必须不存在和未知；

(5)自身反应的判定，其包括：

自身反应分四类：displeased,非displeased,pleased,非pleased。

4.根据权利要求1所述的针对虚拟人的性格训练系统的方法，其特征在于，所述意图融合规则的定制在时间同步的基础下采用如下规则融合来自语义模块和视觉模块的意图输入：

所述时间同步包括：当存在文本意图输入时，将该文本意图与就近的视觉输入相融合，确保二者时间上的同步性，所述融合的规则遵循以下两点：

(1)意图互补，其包括：

若某一通道中意图难以判断，不确定程度高，则另一通道可以作为补充，舍弃不确定程度高的通道的意图，取较确信的通道的意图；

(2)语义主导，其包括：

若两个通道的置信程度都很高，而同一意图槽的取值又有所矛盾时，以语义输入为主，视觉输入为辅。

5.根据权利要求1所述的针对虚拟人的性格训练系统，其特征在于，所述构建基于隐马尔可夫模型的心理反应模型的方式包括：

首先给出性格训练的任务描述图，训练者为用户，被训练者为作为虚拟人的机器人；用户在任务描述图中的具体可控的有两部分，一是表情输入，即用户对机器人做一系列表情；二是期望输出，即用户希望机器人对这一系列表情的情感状态反应；

接着采用表情识别软件识别表情输入序列，转化为六维情感刺激的矢量序列，两个序列等长；随后采用隐马尔可夫模型以六维情感刺激为观测输入，以用户希望机器人的情感状态反应为解码输出；

隐马尔可夫模型中，在某一状态滞留的概率为λ，跳出该状态到其他所有状态的概率则为1-λ，那么在该状态滞留t个时间单位的概率则为λt；情感状态之间的耦合影响则需对情感状态转移矩阵施加惩罚项来修正，该修正在Viterbi算法解码中可具体实施。