HICEM：面向人工情感智能的高覆盖情绪模型

随着社交机器人及其他智能机器进入家庭，人工情感智能（AEI）正成为满足用户对更深层次、更有意义人机交互需求的核心。为实现此类高效交互，下一代 AEI 需要全面的人类情绪模型用于训练。与心理学中历来关注的情绪理论不同，情绪模型是一种描述性工具。在实践中，最强的模型需要稳健的覆盖度，即定义可派生出所有其他情绪的最小核心情绪集。为达到所需覆盖度，我们求助于自然语言处理中的词嵌入。利用无监督聚类技术，我们的实验表明，仅需少至 15 个离散情绪类别，即可在六种主要语言——阿拉伯语、汉语、英语、法语、西班牙语和俄语——中实现最大覆盖。为支持我们的发现，我们还考察了两个大规模情绪识别数据集的标注，以评估现有情绪模型相对于大规模人类感知的有效性。由于稳健、全面的情绪模型是开发真实世界情感计算应用的基础，本工作对社交机器人、人机交互、精神医疗保健和计算心理学具有广泛意义。