[论文解读] Social Robot Modelling of Human Affective State

David B. Skillicorn, Nasser A Alsadhan+2 more|arXiv (Cornell University)|May 2, 2017

Mental Health Research Topics参考文献 2被引用 3

一句话总结

本文提出了一种计算框架，使社交机器人能够通过自然语言处理技术，从短篇非正式文本（如推文和Facebook动态）中推断人类的情感状态——情绪、情绪状态、人格、欲望和态度。尽管输入信息有限且嘈杂，该模型在情感状态推断方面表现强劲，尤其在人格预测方面达到70%的准确率，证明了轻量级、实时情感建模在社交机器人中的可行性。

ABSTRACT

Social robots need to understand the affective state of the humans with whom they interact. Successful interactions require understanding mood and emotion in the short term, and personality and attitudes over longer periods. Social robots should also be able to infer the desires, wishes, and preferences of humans without being explicitly told. We investigate how effectively affective state can be inferred from corpora in which documents are plausible surrogates for what a robot might hear. For mood, emotions, wishes, desires, and attitudes we show highly ranked documents; for personality dimensions, estimates of ground truth are available and we report performance accuracy. The results are surprisingly strong given the limited information in short documents.

研究动机与目标

• 使社交机器人能够在无明确指令的情况下建模人类情感状态——包括情绪、情绪状态、人格、欲望和态度。
• 探究短篇、非正式文本（如推文、Facebook动态）是否可作为实时人机交互数据的可靠替代指标。
• 开发一种轻量级、计算高效的基于最小文本输入的情感状态推断方法。
• 评估情感状态建模在不同情感维度上的性能表现，特别是在有真实标签数据的场景下（如人格推断）。
• 确定在实际计算资源限制下，社交机器人实现实时情感建模的可行性。

提出的方法

• 本研究将推文、新闻标题和Facebook动态作为实时人类言语的替代数据，将其视为机器人可能“听闻”的数据流。
• 在情绪与态度检测中，模型通过改进的Osgood语义差异模型，基于情感内容对文档进行排序。
• 人格推断采用基于OCEAN模型（开放性、严谨性、外向性、宜人性、神经质）的矩阵分解方法，真实标签数据用于验证。
• 该方法应用奇异值分解（SVD）从文本中推断潜在情感维度，并采用一种技术避免在新增测试数据时重新计算SVD。
• 当新行（文档）被追加至数据矩阵 $\hat{A}$ 时，模型使用Moore-Penrose逆矩阵高效更新变换矩阵 $\hat{V}$。
• 采用人工验证法评估情绪、欲望和态度：对高分文档进行人工检查，以确认其表现出目标情感属性。

实验结果

研究问题

• RQ1 短篇、非正式文本（如推文和Facebook动态）是否能可靠地传递关于人类情绪、情绪状态和人格的信息？
• RQ2 计算模型在仅基于最小文本输入的情况下，对人格特质（OCEAN）的推断准确度如何？
• RQ3 机器人在无明确指令的情况下，能在多大程度上从未结构化、非正式的文本中推断出欲望、愿望和偏好？
• RQ4 Osgood模型在短篇、嘈杂文本中检测微弱态度和情感效价方面的有效性如何？
• RQ5 能否在计算资源有限的条件下，实现轻量级、实时的情感建模？

主要发现

• 该模型在从短文本中预测人格特质（OCEAN）方面达到70%的准确率，优于人类在类似任务中的典型表现（80%准确率）。
• 尽管输入信息有限且嘈杂，模型仍能成功识别出表现出特定情绪、情绪状态和态度的高分文档，人工验证结果确认了这一点。
• Osgood模型在检测态度方面表现较弱，可能是因为短文本中情感表达较为分散且权重较低。
• 该方法支持SVD模型的高效增量更新，避免了完整重计算，从而支持实时推断。
• 结果表明，即使是最小的文本输入也能支持可用的情感状态建模，表明其在现实社交机器人应用中的可行性。
• 本研究证实情绪状态显著调节情感表达，强调了将情绪状态建模作为实现准确情绪推断的前提条件的重要性。