[发明专利]一种基于转移概率的情绪预测方法

说明书

本发明公开了一种基于转移概率的情绪预测方法，包括构建二元至n元情绪序列以及对应的转移概率矩阵，获得实际情绪序列，基于实际情绪序列中的当前情绪及其前序情绪构建n‑1元至二元的实际情绪子序列，按照元数递减的顺序，从每种元数的前序情绪序列集或前序情绪集中搜索对应元数的实际情绪子序列，直到在元数最高的前序情绪序列集或前序情绪集中搜索到对应元数的实际情绪子序列，停止搜索，基于搜索到的实际情绪子序列通过所述元数最高的前序情绪序列集或前序情绪集对应的转移概率矩阵获得预测情绪。通过该方法能够能够实时的、动态的、准确的对下一时刻的情绪。

技术领域

本发明属于计算机情感数据处理技术领域，具体涉及一种基于转移概率的情绪预测方法。

背景技术

随着设计理念的发展，人们越来越注重使用产品时的用户体验。通过观察、判断和预测人们使用产品时发生的情绪，可以了解到用户的喜好、感受以及购买意愿等，同时也可以帮助设计师发现产品设计中的问题，进而改进产品的设计。

而在用户与产品交互的整个流程中，用户的情绪会进行转移，即由一种情绪连贯地转变为另一种情绪。倘若能准确预测用户下一秒的情绪，我们就可以进行提前干预，给予一些正面引导来避免负面情绪，或给予一些激励机制来保持正向情绪，进而使整个交互过程的体验大大优化。

情绪预测的概念常出现于心理学领域，用于表示人们对未来事件的情绪反应的预测。在计算机领域，情绪预测则指通过计算机技术对人的情绪进行识别、分析、预测。当前有许多技术手段来实现对情绪的识别和分析，如通过收集人脸图像、手势、语音及生理电信号等情绪数据来识别用户的情绪。

专利号为2017106022277的中国专利公开了基于多任务学习与深度学习的人脸情绪分析方法及系统，包括利用卷积神经网络学习人脸库中预设的分析任务的卷积层，得到人脸分析模型；获取待分析人脸图像，利用人脸检测算法对所述待分析人脸图像进行分析，提取待分析人脸图像中人脸区域；利用所述人脸分析模型对所述待分析人脸图像进行预测，得到所述待分析人脸图像中每个人脸区域对应的情绪信息。上述专利应用多任务学习的概念于卷积神经网络上，使得多种和人脸相关的分析任务，可以用同一个分析模型来识别，如此可以减少分析模型的大小和加快识别的时间。另外，上述专利针对人脸的不同部位用不同的卷积层来描述，使得各卷积层的任务较单一且专精，可以达到更好的识别效果。上述专利方法提出了通过卷积神经网络对人脸的情绪进行识别，而未提供如何能够实时、准确预测下一时刻情绪的方法。

涉及预测概念的技术又往往指对于单种或多种情绪数据的静态评估，缺乏动态的评估，如文献杨明浩,陶建华,李昊,巢林林.面向自然交互的多通道人机对话系统[J].计算机科学,2014,41(10):12-1835公开了多通道对话信息整合后的情绪预测；或者文献张莹,王超,郭文雅,等. 基于双向分层语义模型的多源新闻评论情绪预测[J]. 计算机研究与发展,2018,55(5):933-944. DOI:10.7544/issn1000-1239.2018.20160947.公开的通过分析日常文本、语音、艺术作品中的情绪特征来推断其整体情绪表达，因此亟需设计一种能够实时的、动态的、准确的对下一时刻的情绪进行预测的方法。

发明内容

本发明提供了一种基于转移概率的情绪预测方法，通过该方法能够能够实时的、动态的、准确的对下一时刻的情绪。

一种基于转移概率的情绪预测方法，包括：

S1：采用人工标注或计算机情绪识别方法对获得的视频进行逐帧或逐秒的情绪识别得到有时序的情绪序列数据库；

S2：提取情绪序列数据库中的二元情绪序列以构建二元情绪序列集合，每个二元情绪序列包括前序情绪和第一后序情绪，所述前序情绪转换为第一后序情绪，基于二元情绪序列构建二元情绪序列的转移概率矩阵的具体步骤为：将在二元情绪序列集合中的当前二元情绪序列的出现频次与当前前序情绪所在的二元情绪序列的出现频次的比值作为当前二元情绪序列的转移概率，基于多个二元情绪序列的转移概率通过马尔科夫链构建二元情绪序列的转移概率矩阵；