情感建模中如何考虑非认知因素的作用？

总的来看，虽然很多情感模型已经建立起来，但是能够应用在智能机器人计算机系统中的并不多，所以可以说情感建模的研究现在还处于初级阶段。根据建模的思想及其影响力，我们可以将情感模型划分为基于认知的情感模型、基于概率的情感模型和其他类型的情感模型。根据文献的资料来看，更多的研究者倾向于对基于认知的情感模型和基于概率的情感模型的研究。各情感模型的优缺点归纳如下。

1）基于认知的情感模型中应用最广泛的是OCC模型。OCC模型是基于认知的情感模型，采用一致性的认知导出条件来表述情感，通过不同的认知条件进行归纳，大约规范出22种情感类型，其中包括用来产生这些情感类型的基本构造规则，所以OCC模型是第一个易于计算机实现的认知型情感产生模型。Elliott情感推理机系统就可以看成是OCC模型的一个计算机实现。

但是它仅仅考虑了情感的认知因素产生机制，并没有考虑情感的非认知因素产生因素，实际中情感的产生不仅仅依赖于认知情况。所谓的非认知因素又可称为非智力因素，侧重于动机、兴趣、意志和性格等方面。因此我们可以看出，非认知因素虽然不直接参与认知过程，但是却直接制约认知过程。假如某个人的性格偏外向，属于活泼开朗型的人，那么可以刺激到性格内向的人的外部环境未必能够影响到这个外向的人。所以在情感建模中也需要考虑到非认知因素的作用。针对这一不足很多研究者提出了改进的模型（如Izard等人加入了非认知因素），但是都没有广泛地应用到实际中去。

2）基于概率的模型中最典型的就是HMM模型。HMM模型将情感视为表征生命体心智状态的一种信息，认为情感信息是情绪过程产生的观察序列，并假定这种情绪过程是一种马尔可夫过程。HMM信号模型为描述情感信号处理过程提供了理论基础，从而可以获得期望的输出，对情感信号建模可以让我们更好地研究信号源——情绪过程，并且可以模拟信号源产生信号。

HMM模型仅仅是从概率的角度来模拟情感的产生，而且HMM它本身的缺点和局限性也随之被带入到情感模型领域。例如，对于给定的状态，它要求各个观察值是相互独立的，但有时事实并非如此，它们之间会相互依赖，情感状态更多的时候是呈连续状态的。又如它假定在时刻k的状态只依赖于时刻k－1，而在现实中不仅仅如此。当某种强度很大情绪产生时，它不仅会对下一时刻的情感产生造成影响，有可能会对下下一刻的情感产生也产生影响，直到随着时间的推移这种情感的强度值归于零。因此这种离散的情绪空间虽然可以清楚、明了地定义情绪状态，但是不符合人类复杂的内心情绪状态。也有人认为HMM情感模型的认知因素和非认知因素考虑的不够全面。很多后续的研究也针对这些缺点进行不断改进，如提出了加入心境和个性的HMM模型算法；含有情感熵、情绪熵概念的HMM情感模型；EHMM算法的情感模型。但是对这种基于概率的情感模型来讲，有着先前限制条件的约束，因此也没有从根本上解决这个问题。(www.xing528.com)

3）基于任务的情感模型。这类情感模型针对特定任务而建立，因此实用性强但通用性差。

4）其他的一些情感模型，虽然可以将很多情感产生的因素考虑进去，但是在描述人类复杂的情感时又比较模糊，导致其通用性并不强，复杂的情感推理机制在计算机上并不容易实现。

因此我们迫切地需要有一种基于多机制的情感模型，不仅能够从理论上可以尽可能地囊括情感产生的原因，而且会能够从实际出发，考虑到其通用性和复杂性。