多模态维度情感预测综述

维度情感模型通过几个取值连续的维度(如唤醒维、效价维、支配维等)将情感刻画为一个多维信号.与传统的离散情感模型相比,具有表示情感的范围广、能描述情感的演变过程等优点,近年来受到越来越多情感识别研究者的关注.多模态维度情感预测是一项复杂的工程,预测性能受所使用的模态、每个模态的特征提取、信息融合技术、标注人员的标注误差等多方面影响.为了提高多模态维度情感预测的性能,研究者在各个方面都做出了不懈努力.本文综述了维度情感的概念、标注,维度情感预测的性能评价指标以及多模态维度情感预测的研究现状,对比和分析了各种因素对多模态维度情感预测性能的影响,并总结出多模态维度情感预测面临的挑战及发展趋势.

情感预测中的聚焦错觉

聚焦错觉是个体在进行情感预测时,错误地估计了聚焦事件会对情绪造成影响的一种倾向。聚焦错觉是造成情感预测偏差的重要原因。其心理机制主要包括直觉预测和可得性模型。聚焦错觉的影响因素主要有预测事件的情感效价、性质,情境因素、个体习惯和文化差异等。其应对策略主要有去焦点化和情感平均。未来的研究应从聚焦错觉与忽视情绪适应的关系、聚焦错觉的产生根源以及聚焦错觉与其他聚焦效应的关系等方面来进一步探讨。

情感预测偏差的相关研究评述

情感预测是预测将来的情绪状态。情感预测时会表现出各种偏差,例如免疫性忽略、聚焦错觉和共情鸿沟。本文从认知-体验自我理论和心理模拟的角度对情感预测偏差的原因进行了整合,对情感预测偏差的个体差异和矫正进行了分析。情感预测的未来研究方向应该从心理-行为机制、进化机制和脑机制几个方面展开。

面向智慧学习环境的学习者情感预测方法

为了解决传统远程教育中的"情感缺失"问题,提出采用模糊认知图(FCM)构建一种面向智慧学习环境的学习者情感预测模型,对远程学习过程中的学习者情感进行实时预测,以便教学系统根据预测情感及时有效地调整教学策略,从而促进学习者的认知.首先,选择容易引起学习者情感变化的情感影响因子作为FCM的输入信号;然后通过活动Hebbian学习法推理计算,得到能代表情感重要属性的2个参数——效价和激活度;最后将这2个参数映射于一个在二维笛卡儿直角坐标系中构建的学习者情感空间中,便可以定性定量地预测出学习者当前的情感状态.实验结果表明,FCM模型的预测结果与大多数学生的实际情绪反应相符;与其他贝叶斯网络模型相比,FCM模型具有更高的情感预测准确率.

情感预测的影响偏差——聚焦错觉还是适应忽视?

为了考察情感预测影响偏差中聚焦错觉和适应忽视的作用,本研究通过两个实验,先让大学生被试对考研(实验1a)、骨折手术(实验1b)、搬到新校区(实验2)进行情感预测,然后将其与情感体验进行比较,并比较了去焦点化训练、适应训练和控制组对影响偏差的干预效果。结果发现:去焦点化训练显著地降低了情感预测的影响偏差,而适应训练和控制组则没有显著降低影响偏差。因此,本研究认为,当情境线索清楚的时候,聚焦错觉是导致情感预测影响偏差的主要原因。

调节定向和调节匹配对情感预测中影响偏差的影响

现实生活中,人们在决策前需要对决策可能带来的结果进行预测。人们往往会高估未来事件对其情绪的影响,这被称为影响偏差。本研究从自我调节理论的视角出发,考察了调节定向和调节匹配对情感预测中影响偏差的影响。实验1和实验2分别在积极和消极情景中考察了调节定向对情感预测偏差的影响;实验3和实验4分别在消极和积极情景中考察了调节匹配对情感预测偏差的影响。结果发现:(1)在对积极情感的预测中,促进定向个体比防御定向个体出现更大的影响偏差;在对消极情感的预测中,防御定向个体比促进定向个体出现更大的影响偏差。(2)调节匹配比调节不匹配条件下,个体会出现更大的影响偏差。因此,情感预测中的影响偏差是个体实现目标的一种自我调节策略,会受到调节定向和调节匹配的影响。

基于神经网络融合标签相关性的多标签情感预测研究

近年来,多标签分类任务(MLC)受到了广泛关注。传统的情感预测被视为一种单标签的监督学习,而忽视了多种情感可能在同一实例中共存的问题。以往的多标签情感预测方法没有同时提取文本的局部特征和全局语义信息,或未考虑标签之间的相关性。基于此,该文提出了一种基于神经网络融合标签相关性的多标签情感预测模型(Label-CNNLSTMAttention,L-CLA),利用Word2Vec方法训练词向量,将CNN和LSTM相结合,通过CNN层挖掘文本更深层次的词语特征,通过LSTM层学习词语之间的长期依赖关系,利用Attention机制为情意词特征分配更高的权重。同时,用标签相关矩阵将标签特征向量补全后与文本特征共同作为分类器的输入,考察了标签之间的相关性。实验结果表明,L-CLA模型在重新标注后的NLP&CC2013数据集上拥有较好的分类效果。

分析思维降低情感预测影响偏差

人们在决策前需要对决策可能带来的结果进行预测。人们往往会高估未来事件对情感的影响,这被称为影响偏差。本研究从双系统理论出发,考察了分析思维是否会降低情感预测影响偏差。实验1(采用图片启动)和实验2(采用语言流畅性任务)考察了分析思维对影响偏差的影响,并分析了情感预测程度的中介作用。实验3在现场中以真实的决策(生育二孩)为例,考察了分析思维启动对情感预测的影响。结果发现:分析思维会降低情感预测强度,进而降低影响偏差。

自我调节定向对消费价格不公平的情感预测偏差—参考标准为调节变量

目的:本部分研究试图探究消费者面对消费价格不公平是否存在情感预测偏差的现象,进一步探究启动自我调节定向是否会影响消费价格不公平的情感预测偏差以及自我调节定向与不同参考标准之间是否存在交互作用。结果:(1) 面对消费价格不公平时,自我调节定向对情感预测偏差的主效应显著,F = 14.55*** (P <0.001)。(2) 参考目标对情感预测偏差的情感预测偏差主效应显著,F = 4.80* (P <0.05)。(3) 自我调节定向与不同参考标准的交互作用显著,F = 3.29 (P <0.1)结论:(1) 消费者面对消费价格不公平后存在情感预测偏差。(2) 自我调节定向(促进定向/防御定向)与参考标准对消费价格不公平的情感预测偏差存在交互影响。

群体决策中的情感预测偏差

为了考察群体决策中是否存在情感预测偏差,本研究通过两个实验分别在积极和消极情境中考察了群体决策中的情感预测偏差.结果发现,群体成员低估了群体决策结果带来的积极情感,高估了群体决策结果带来的消极情感.本文的研究结果对于提升群体决策质量具有一定的实践价值.

社交网络用户的情感预测方法研究

在社交网络中,用户节点的主观情感是影响信息在网络中传播扩散的重要因素.传统的用户情感预测模型的复杂度较高,影响了社交网络中情感预测的效率.本文通过对社交网络中用户节点的自身兴趣特点及其所受邻居节点的社会影响力进行研究.本文分别定义用户自身兴趣点和社会影响力,提出最终的预测函数.基于定义的预测函数,使用训练出的分类模型,预测用户的最终情感状态.分类模型的F-1值可以达到68.94%.通过实验,将该模型与社交网络中经典的情感预测模型进行对比,在模型计算复杂度和预测精度上取得了较为明显的优化.

移动终端用户交互行为的情感预测方法研究

交互设计中用户的情感体验关系到设计的成功与否,对用户情感的研究一直是交互设计的研究热点。人在与移动终端交互的过程中会产生情感,由于该情感具有主观性,很难对其进行客观衡量。为此提出一种利用眼动指标和PAD情感量表进行情感预测的方法,选择中文版PAD情感量表作为情感测量的工具,通过偏最小二乘回归分析建立眼动指标和PAD情感值的数学模型,进行实验设计。实验结果表明该数学模型能较为准确的进行情感预测。

基于视觉语义联合嵌入和注意力机制的情感预测

为了缓解图像视觉特征与情感语义特征之间存在的鸿沟,减弱图像中情感无关区域对情感分类的影响,提出了一种结合视觉语义联合嵌入和注意力模型的情感分类算法。首先利用自编码器学习图像的视觉特征和情感属性的语义特征的联合嵌入特征,缩小低层次的视觉特征与高层次的语义特征之间的差距;然后提取图像的一组显著区域特征,引入注意力模型建立显著区域与联合嵌入特征的关联,确定与情感相关的显著区域;最后基于这些显著区域特征构建情感分类器,实现图像的情感分类。实验结果表明,该算法有效地改进了现有的图像情感分类方法,显著提高了对测试样本的情感分类精度。

用户级情感预测主题模型的构建与研究

文本主题引发的情感反馈与用户特征之间具有一定的关联。为了充分挖掘用户特征的价值以提高情感预测的准确度,在双层主题模型MSTM和SLTM的基础上,增加了对用户特征信息的采样层,进而提出了基于用户特征的"用户-主题-情感"三层主题模型UMSTM和USLTM。通过三层模型与基础模型在最高情感命中率以及情感概率预测相关系数的对比实验,来检验用户特征对情感预测产生的效果与影响。实验验证了UMSTM和USLTM在以上两种指标中,相对于MSTM和SLTM均有提高。

基于TextCNN情感预测器的情感监督聊天机器人

聊天机器人是自然语言处理的热门研究领域之一。现有的生成式聊天机器人一般基于Sequence-to-Sequence模型实现,即使用循环神经网络将问题编码成高维语义向量,再将该向量解码成回复。但是由于解码只使用单一的语义向量,容易生成普适回复。针对上述问题,提出了基于TextCNN情感预测器的情感监督聊天机器人,利用TextCNN情感预测器,由问题直接获得回复的情感表示,在Sequence-to-Sequence模型中引入更准确的情感特征,并通过情感监督方法学习情感表达方式。实验表明该模型能有效地提高聊天机器人的回复质量。

基于特征融合的小样本抽象画图像情感预测

绘画图像情感预测是目前情感计算中的一个研究热点。目前抽象画来源少,样本量小,其情感分析大多数采用的是图像低层特征,而且准确率不高。为此,提出一种基于特征融合的小样本抽象画图像情感预测方法。首先,分析了抽象艺术理论中组成绘抽象画的基本元素(点、线、面和颜色)与人类情感的关系,依据这些理论量化出抽象画图像的低层特征;然后,采用迁移学习算法,基于大样本数据在预训练网络上得到参数,并迁移至目标模型,再在小样本数据上对目标模型进行微调,得到图像高层特征;最后,将低层与高层特征进行线性融合,采用多分类支持向量机(SVM)实现抽象画图像的情感预测。在3个小样本抽象画数据集上进行实验,结果表明,与直接采用低层特征的方法相比,所提方法的分类准确率有所提高,证实了它在小样本抽象画的情感研究中的有效性。

基于融合视频特征和眼球活动的情感预测

基于视频信息和眼球活动的分析算法是用来研究人类情感预测问题的主要工具。但是,借助单独的视频特征或单独的眼球活动分析,在一般情况下准确率不高,时常会出现误判的情形。为此,文章以提高预测准确度为目标,提出了一种改进的算法。该算法通过概率融合的方式结合眼球活动特征和视频特征,充分利用两种不同特征的信息,从而有效提升预测准确率。实验结果表明,该方法在情感预测的准确度上有了较大提高。

浅析情感预测的矛盾及解决途径

人们对未来预测的关注具有普遍性。有效的预测对人类有多种影响,当人们心态积极就会保持乐观自信;当他们的希望与结果相反时,则会变得沮丧、悲观。情感预测中的正负方向交织导致各种矛盾情绪。突发事件中情绪反应有四个过程:对事件的关注、对事件的反应、对事件的解释及对事件的适应,存在于其中的矛盾情绪左右着情感预测的正确选择,解决矛盾情绪重要途径是对行为控制的分析和研究,即冷静下来,通过行为控制分析和研究,尝试做出明智的选择,并控制不良情绪,以此来改善情绪。

温度对个人决策中情感预测的影响研究

为了考察温度对个人决策中情感预测的影响,本研究通过启动实验,启动被试冷和暖的感受体验。接着让被试对未来积极事件和消极事件进行情感预测,然后进行决策任务,随机反馈成功或者失败后,被试进行情感体验。然后比较不同启动条件下被试的情感预测以及情感预测偏差的差异。结果表明:实验操作能成功启动被试对冷和热的感受。相较于冷感受下的被试,处于暖感受下的被试,会高估自己预测未来积极事件和消极事件的情绪强度。

融合背景上下文特征的视觉情感识别与预测方法

为解决基于视觉的情感识别无法捕捉人物所处环境和与周围人物互动对情感识别的影响、单一情感种类无法更丰富地描述人物情感、无法对未来情感进行合理预测的问题,提出了融合背景上下文特征的视觉情感识别与预测方法。该方法由融合背景上下文特征的情感识别模型(Context-ER)和基于GRU与Valence-Arousal连续情感维度的情感预测模型(GRU-mapVA)组成。Context-ER同时综合了面部表情、身体姿态和背景上下文(所处环境、与周围人物互动行为)特征,进行26种离散情感类别的多标签分类和3个连续情感维度的回归。GRU-mapVA根据所提映射规则,将Valence-Arousal的预测值投影到改进的Valence-Arousal模型上,使得情感预测类间差异更为明显。Context-ER在Emotic数据集上进行了测试,结果表明识别情感的平均精确率比现有方法提高4%以上;GRU-mapVA在三段视频样本上进行了测试,结果表明情感预测效果相较于现有方法有很大提升。