本發(fā)明屬于心理咨詢領(lǐng)域，尤其涉及一種基于情感認(rèn)知的人工智能遠(yuǎn)程心理咨詢平臺(tái)及方法。

背景技術(shù)：

1、現(xiàn)代社會(huì)，隨著生活節(jié)奏的加快和社會(huì)壓力的增加，心理健康問(wèn)題日益受到關(guān)注。傳統(tǒng)的心理咨詢方式主要依賴于面對(duì)面的交流，這種方法存在諸多局限性。首先，面對(duì)面的心理咨詢需要用戶和咨詢師在同一地點(diǎn)和時(shí)間進(jìn)行交流，對(duì)于那些時(shí)間緊張或地理位置偏遠(yuǎn)的用戶而言，這種方式顯得非常不便。此外，面對(duì)面的交流方式可能會(huì)讓某些用戶感到不自在，特別是那些內(nèi)向或不善于表達(dá)情感的人，他們可能難以在咨詢過(guò)程中充分表達(dá)自己的真實(shí)情感和內(nèi)心想法。這不僅影響了咨詢的效果，還可能導(dǎo)致用戶對(duì)心理咨詢產(chǎn)生排斥心理。

2、隨著人工智能技術(shù)的迅猛發(fā)展，基于人工智能的遠(yuǎn)程心理咨詢平臺(tái)逐漸興起。這些平臺(tái)利用自然語(yǔ)言處理、情感識(shí)別和大數(shù)據(jù)分析等先進(jìn)技術(shù)，試圖解決傳統(tǒng)心理咨詢的不足。例如，通過(guò)語(yǔ)音識(shí)別和文本分析技術(shù)，系統(tǒng)可以自動(dòng)生成心理咨詢建議，提高了咨詢的效率和覆蓋面。然而，目前的技術(shù)在實(shí)際應(yīng)用中仍存在不少問(wèn)題。

3、首先，現(xiàn)有的情感識(shí)別技術(shù)大多依賴單一模態(tài)數(shù)據(jù)(如語(yǔ)音或文本)，缺乏對(duì)多模態(tài)數(shù)據(jù)(語(yǔ)音、表情和文本)的綜合分析，導(dǎo)致情感識(shí)別的準(zhǔn)確性較低。

4、其次，現(xiàn)有的遠(yuǎn)程心理咨詢平臺(tái)缺乏對(duì)用戶情感變化的長(zhǎng)期跟蹤和分析，無(wú)法為用戶提供個(gè)性化的咨詢檔案和長(zhǎng)期情感管理方案。

5、此外，現(xiàn)有的平臺(tái)多為單向的信息傳遞，缺乏互動(dòng)性和用戶社群支持機(jī)制，用戶在遇到問(wèn)題時(shí)只能被動(dòng)接受咨詢師的建議，缺乏主動(dòng)的情感支持和互動(dòng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提出一種基于情感認(rèn)知的人工智能遠(yuǎn)程心理咨詢平臺(tái)及方法，明通過(guò)融合語(yǔ)音、面部表情和文本分析的多模態(tài)情感識(shí)別系統(tǒng)，綜合分析用戶的多種數(shù)據(jù)，提高情感識(shí)別的準(zhǔn)確性和全面性。

2、為了達(dá)到上述目的，在本發(fā)明的第一方面提供了一種基于情感認(rèn)知的人工智能遠(yuǎn)程心理咨詢平臺(tái)，其特征在于，所述平臺(tái)包括：

3、多模態(tài)情感識(shí)別模塊，用于收集用戶的語(yǔ)音數(shù)據(jù)、面部表情數(shù)據(jù)和文本數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行多模態(tài)特征提取得到語(yǔ)音特征向量、表情特征向量和文本特征向量，然后對(duì)語(yǔ)音特征向量、表情特征向量和文本特征向量進(jìn)行多模態(tài)特征融合得到綜合特征向量，根據(jù)綜合特征向量使用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行情感分類，并將語(yǔ)音特征向量、表情特征向量和文本特征向量傳輸至情感圖譜構(gòu)建模塊；

4、情感圖譜構(gòu)建模塊，用于根據(jù)輸入的語(yǔ)音特征向量、表情特征向量和文本特征向量構(gòu)建情感數(shù)據(jù)庫(kù)，并對(duì)情感數(shù)據(jù)庫(kù)進(jìn)行時(shí)序處理，建立情感圖譜，所述用戶情感圖譜包含節(jié)點(diǎn)和邊，節(jié)點(diǎn)表示情感狀態(tài)節(jié)點(diǎn)，邊表示情感狀態(tài)之間的轉(zhuǎn)變邊，其中，每個(gè)情感特征向量對(duì)應(yīng)一個(gè)情感狀態(tài)節(jié)點(diǎn)，所述每個(gè)情感特征向量包括當(dāng)前節(jié)點(diǎn)的語(yǔ)音特征向量、當(dāng)前節(jié)點(diǎn)的表情特征向量和當(dāng)前節(jié)點(diǎn)的文本特征向量，根據(jù)時(shí)間戳信息創(chuàng)建情感圖譜的情感狀態(tài)之間的轉(zhuǎn)變邊，然后根據(jù)實(shí)時(shí)收集的數(shù)據(jù)定期更新情感圖譜，并將情感圖譜傳輸?shù)絺€(gè)性化咨詢檔案生成模塊；

5、個(gè)性化咨詢檔案生成模塊，用于構(gòu)建情感歷史數(shù)據(jù)庫(kù)，并進(jìn)行分析，提取用戶的情感變化趨勢(shì)，并構(gòu)建情感波動(dòng)檢測(cè)算法識(shí)別情感歷史數(shù)據(jù)中的關(guān)鍵情感事件，根據(jù)情感變化趨勢(shì)和關(guān)鍵情感事件，生成用戶的個(gè)性化咨詢檔案；其中，所述情感波動(dòng)檢測(cè)算法具體包括：

6、設(shè)情感波動(dòng)閾值為δ，當(dāng)兩個(gè)連續(xù)時(shí)間點(diǎn)的情感特征向量變化超過(guò)閾值時(shí)，標(biāo)記為關(guān)鍵情感事件，設(shè)ti和ti+1時(shí)刻的情感特征向量分別為fi和fi+1，則關(guān)鍵情感事件的識(shí)別條件為：

7、∥fi+1-fi∥>δ

8、其中，δ表示情感狀態(tài)變化閾值，將滿足條件的情感特征向量對(duì)記錄為關(guān)鍵情感事件；

9、長(zhǎng)期情感狀態(tài)預(yù)測(cè)干預(yù)模塊，用于通過(guò)構(gòu)建情感狀態(tài)預(yù)測(cè)模型根據(jù)從情感歷史記錄與個(gè)性化咨詢檔案中提取用戶的情感特征向量序列進(jìn)行情感狀態(tài)預(yù)測(cè)，同時(shí)設(shè)計(jì)情感預(yù)測(cè)閾值檢測(cè)情感特征向量序列中的變化，并使用強(qiáng)化學(xué)習(xí)優(yōu)化情感狀態(tài)預(yù)測(cè)模型并生成個(gè)性化情感調(diào)節(jié)方案；其中，所述設(shè)計(jì)情感預(yù)測(cè)閾值檢測(cè)情感特征向量序列中的變化，當(dāng)兩個(gè)連續(xù)時(shí)間點(diǎn)的情感特征向量變化超過(guò)閾值時(shí)，觸發(fā)情感干預(yù)機(jī)制，設(shè)ti+1和ti時(shí)刻的情感特征向量分別為fi+1和fi，則情感變化檢測(cè)條件為：

10、∥fi+1-fi∥>δ

11、其中，δ表示情感狀態(tài)變化閾值，對(duì)于檢測(cè)到的顯著情感變化，生成個(gè)性化的情感干預(yù)建議，所述感干預(yù)建議包括情感調(diào)節(jié)策略、心理干預(yù)措施和行為建議；

12、心理咨詢平臺(tái)優(yōu)化模塊，用于構(gòu)建深度強(qiáng)化學(xué)習(xí)優(yōu)化模型，將當(dāng)前情感狀態(tài)作為輸入，傳遞給深度強(qiáng)化學(xué)習(xí)優(yōu)化模型進(jìn)行動(dòng)態(tài)路徑調(diào)整，根據(jù)深度強(qiáng)化學(xué)習(xí)優(yōu)化模型的輸出選擇最優(yōu)的咨詢策略并動(dòng)態(tài)咨詢路徑，同時(shí)在每次咨詢后檢測(cè)用戶的情感波動(dòng)并收集用戶的反饋評(píng)分收集用戶反饋并更新情感數(shù)據(jù)庫(kù)，再使用收集到的用戶反饋和情感數(shù)據(jù)，更新深度強(qiáng)化學(xué)習(xí)優(yōu)化模型的q值函數(shù)，最后根據(jù)用戶的歷史情感數(shù)據(jù)和預(yù)測(cè)的情感狀態(tài)，生成個(gè)性化的咨詢策略。

13、優(yōu)選的，所述平臺(tái)還包括：

14、社群情感支持模塊，用于從多模態(tài)情感識(shí)別模塊和情感圖譜構(gòu)建模塊中獲取用戶的當(dāng)前情感特征向量和情感分類標(biāo)簽，根據(jù)實(shí)時(shí)收集的用戶在社群平臺(tái)上發(fā)布自己的情感狀態(tài)，所述情感狀態(tài)包括情感特征向量、情感分類標(biāo)簽和文本描述，然后計(jì)算每個(gè)用戶之間的情感相似度匹配情感相似的用戶，根據(jù)用戶匹配度為用戶推薦情感相似的其他用戶進(jìn)行互動(dòng)，再將用戶之間的互動(dòng)記錄和情感支持評(píng)分存儲(chǔ)在社群情感圖譜中，同時(shí)定期更新社群情感圖譜，添加新的用戶節(jié)點(diǎn)和互動(dòng)邊，并更新邊的權(quán)重。

15、優(yōu)選的，所述預(yù)處理包括：對(duì)語(yǔ)音數(shù)據(jù)進(jìn)行降噪處理，使用短時(shí)傅里葉變換將語(yǔ)音信號(hào)轉(zhuǎn)換為頻譜圖表示；對(duì)表情圖像數(shù)據(jù)進(jìn)行灰度化和歸一化處理；對(duì)文本數(shù)據(jù)進(jìn)行分詞和去停用詞處理并使用詞嵌入技術(shù)將文本轉(zhuǎn)化為詞向量矩陣；

16、其中，使用卷積神經(jīng)網(wǎng)絡(luò)提取頻譜圖特征；使用卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征；使用雙向transformer模型提取文本特征。

17、優(yōu)選的，所述根據(jù)時(shí)間戳信息創(chuàng)建情感圖譜的情感狀態(tài)之間的轉(zhuǎn)變邊，具體為：

18、設(shè)兩個(gè)節(jié)點(diǎn)vi和vj對(duì)應(yīng)的時(shí)間戳為ti和tj，若ti<tj且兩節(jié)點(diǎn)間距離小于情感閾值δ，則創(chuàng)建一條從vi到vj的有向邊eij，表示如下：

19、eij＝(vi→vj)if?ti<tjand||zi-zj||<δ；

20、所述定期更新情感圖譜，具體步驟包括：

21、設(shè)每次更新時(shí)新的情感數(shù)據(jù)為fnew＝[fv,new；ff,new；ft,new]，其中，fv,new表示新的語(yǔ)音特征向量、ff,new表示新的表情特征向量和ft,new表示新的文本特征向量，則有：

22、將新數(shù)據(jù)fnew＝[fv,new；ff,new；ft,new]映射到二維空間，生成新節(jié)點(diǎn)坐標(biāo)，表示如下：

23、znew＝t-sne(fnew)

24、其中，t-sne表示-sne降維技術(shù)；

25、添加新節(jié)點(diǎn)vnew到節(jié)點(diǎn)集合v：

26、v＝v∪{vnew}

27、根據(jù)新節(jié)點(diǎn)的時(shí)間戳和位置，更新邊集合e：

28、

29、其中，zi表示第i個(gè)節(jié)點(diǎn)在二維空間中的坐標(biāo)，znew表示新的二維空間中的坐標(biāo)，δ比表示情感閾值，ti表示過(guò)去時(shí)刻t，tnew表示新的時(shí)刻。

30、優(yōu)選的，在所述個(gè)性化咨詢檔案生成模塊中，對(duì)情感歷史數(shù)據(jù)庫(kù)進(jìn)行分析提取用戶的情感變化趨勢(shì)，包括：

31、設(shè)用戶的情感特征向量序列為{f1,f2,…,fn}，情感分類標(biāo)簽序列為{y1,y2,…,yn}，使用加權(quán)移動(dòng)平均法計(jì)算用戶的情感變化趨勢(shì)；設(shè)窗口大小為w，情感特征向量的加權(quán)移動(dòng)平均值表示如下：

32、

33、其中，wj表示窗口內(nèi)的權(quán)重，w表示窗口數(shù)量，fj表示第j個(gè)用戶的情感特征向量。

34、優(yōu)選的，所述情感狀態(tài)預(yù)測(cè)模型為長(zhǎng)短期記憶網(wǎng)絡(luò)，具體包括：

35、設(shè)長(zhǎng)短期記憶網(wǎng)絡(luò)的參數(shù)為θlstm，則情感狀態(tài)預(yù)測(cè)模型的輸出表示如下：

36、{f′n+1，ff'n+2，...,f′n+m}＝lstm({f′1,f′2，...,f′n}；θlstm)

37、其中，{f′1,f′2,…,f′n}表示規(guī)范化后的情感特征向量序列；{f′1,f′2,…,f′n}表示輸出的預(yù)測(cè)的情感特征向量；

38、在情感狀態(tài)預(yù)測(cè)模型增加一個(gè)情感波動(dòng)正則化項(xiàng)，確保模型能夠捕捉到情感變化的細(xì)微波動(dòng)，設(shè)情感波動(dòng)系數(shù)為λw，情感波動(dòng)正則化項(xiàng)表示如下：

39、

40、其中，表示情感波動(dòng)正則化項(xiàng)，λw表示情感波動(dòng)正則化項(xiàng)的權(quán)重，n表示情感種類總數(shù)。

41、優(yōu)選的，在所述心理咨詢平臺(tái)優(yōu)化模塊中，使用深度強(qiáng)化學(xué)習(xí)優(yōu)化模型進(jìn)行路徑優(yōu)化，深度強(qiáng)化學(xué)習(xí)優(yōu)化模型的狀態(tài)st包括當(dāng)前情感特征向量ft和情感分類標(biāo)簽yt，動(dòng)作at為下一步咨詢策略的選擇，其中，深度強(qiáng)化學(xué)習(xí)優(yōu)化模型的獎(jiǎng)勵(lì)函數(shù)r(st,at)結(jié)合用戶反饋和咨詢效果進(jìn)行設(shè)計(jì)，最大化用戶的情感改善，在所述獎(jiǎng)勵(lì)函數(shù)中引入了用戶情感波動(dòng)項(xiàng)λe和行為偏差項(xiàng)λb，捕捉用戶情感的細(xì)微變化和偏離正常行為的程度，表示如下：

42、r(st,at)＝αδyt+βfb-λe||ft-ft-1||-λbbt

43、其中，δyt表示情感分類標(biāo)簽的改善程度，fb表示用戶反饋評(píng)分，α和β為權(quán)重系數(shù)，λe為情感波動(dòng)系數(shù)，λb為行為偏差系數(shù)，bt為行為偏差項(xiàng)；

44、根據(jù)深度強(qiáng)化學(xué)習(xí)優(yōu)化模型的輸出，選擇最優(yōu)的咨詢策略at，并動(dòng)態(tài)調(diào)整咨詢路徑，設(shè)優(yōu)化模型的q值函數(shù)為q(st,at)，選擇動(dòng)作at使得q值最大，表示如下

45、

46、將選擇的咨詢策略at應(yīng)用于當(dāng)前情感狀態(tài)st，生成新的咨詢路徑。

47、優(yōu)選的，在每次咨詢后，檢測(cè)用戶的情感波動(dòng)并收集用戶的反饋評(píng)分fb，設(shè)當(dāng)前時(shí)間t的情感特征向量為ft，上一次咨詢后的情感特征向量為ft-1，其中，情感波動(dòng)檢測(cè)公式表示如下：

48、wt＝||ft-ft-1||

49、若wt超過(guò)預(yù)設(shè)的情感波動(dòng)閾值δw，則記錄為顯著情感波動(dòng)，并生成反饋機(jī)制，同時(shí)將用戶的反饋評(píng)分fb以及咨詢后的情感特征向量ft+1和情感分類標(biāo)簽yt+1更新至情感數(shù)據(jù)庫(kù)；

50、使用收集到的用戶反饋和情感數(shù)據(jù)，更新深度強(qiáng)化學(xué)習(xí)優(yōu)化模型的q值函數(shù)，其中，所述的q值函數(shù)更新公式表示如下：

51、

52、其中，γ表示折扣因子，α表示學(xué)習(xí)率；

53、根據(jù)用戶的歷史情感數(shù)據(jù)和預(yù)測(cè)的情感狀態(tài)，生成個(gè)性化咨詢策略，其中，所述個(gè)性化咨詢策略包括心理干預(yù)措施，設(shè)定咨詢策略的選擇基于情感特征向量和情感分類標(biāo)簽，選擇最適合用戶當(dāng)前情感狀態(tài)的策略，所述個(gè)性化咨詢策略的選擇公式表示如下：

54、

55、其中，st表示在時(shí)間t選擇的咨詢策略，p(s|ft,yt)表示在當(dāng)前情感特征向量ft和情感分類標(biāo)簽yt下，策略s的概率。

56、優(yōu)選的，在所述社群情感支持模塊中，用戶在社群平臺(tái)上發(fā)布自己的情感狀態(tài)，包括情感特征向量ft、情感分類標(biāo)簽yt和文本描述，其中，情感狀態(tài)發(fā)布格式為：

57、pt＝{ft，yt，tt}

58、其中，tt表示用戶當(dāng)前的情感描述文本；

59、計(jì)算每個(gè)用戶之間的情感相似度：

60、設(shè)兩個(gè)用戶在時(shí)間t的情感特征向量分別為和情感分類標(biāo)簽分別為和則相似度計(jì)算公式表示如下：

61、

62、其中，·表示向量?jī)?nèi)積，∥·∥表示向量的歐氏范數(shù)，δ表示kroneckerdelta函數(shù)，當(dāng)時(shí)否則λc為分類標(biāo)簽相似性權(quán)重；

63、根據(jù)計(jì)算的情感相似度，為用戶推薦情感相似的其他用戶進(jìn)行互動(dòng)，設(shè)用戶i的情感相似用戶集合為mi，則匹配算法選擇相似度最高的前k個(gè)用戶，表示如下：

64、mi＝{j|j∈top-k(si，j)，j≠i}

65、其中，top-k(si,j)表示相似度si,j最高的k個(gè)用戶

66、同時(shí)設(shè)有情感支持評(píng)分機(jī)制，設(shè)用戶i對(duì)用戶j的支持評(píng)分為ri,j，用戶在互動(dòng)后對(duì)對(duì)方的情感支持進(jìn)行評(píng)分，則評(píng)分機(jī)制公式表示如下：

67、ri，j＝feedbacki，j·si，j

68、其中，feedbacki,j表示用戶i對(duì)用戶j的主觀反饋評(píng)分；

69、定期更新社群情感圖譜，根據(jù)更新的社群情感圖譜添加新的用戶節(jié)點(diǎn)和互動(dòng)邊，并更新邊的權(quán)重。

70、在本發(fā)明的第二方面提供了一種基于情感認(rèn)知的人工智能遠(yuǎn)程心理咨詢方法，所述方法包括：

71、s1、收集用戶的語(yǔ)音數(shù)據(jù)、面部表情數(shù)據(jù)和文本數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行多模態(tài)特征提取得到語(yǔ)音特征向量、表情特征向量和文本特征向量，然后對(duì)語(yǔ)音特征向量、表情特征向量和文本特征向量進(jìn)行多模態(tài)特征融合得到綜合特征向量，根據(jù)綜合特征向量使用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行情感分類；

72、s2、根據(jù)輸入的語(yǔ)音特征向量、表情特征向量和文本特征向量構(gòu)建情感數(shù)據(jù)庫(kù)，并對(duì)情感數(shù)據(jù)庫(kù)進(jìn)行時(shí)序處理，建立情感圖譜，所述用戶情感圖譜包含節(jié)點(diǎn)和邊，節(jié)點(diǎn)表示情感狀態(tài)節(jié)點(diǎn)，邊表示情感狀態(tài)之間的轉(zhuǎn)變邊，其中，每個(gè)情感特征向量對(duì)應(yīng)一個(gè)情感狀態(tài)節(jié)點(diǎn)，所述每個(gè)情感特征向量包括當(dāng)前節(jié)點(diǎn)的語(yǔ)音特征向量、當(dāng)前節(jié)點(diǎn)的表情特征向量和當(dāng)前節(jié)點(diǎn)的文本特征向量，根據(jù)時(shí)間戳信息創(chuàng)建情感圖譜的情感狀態(tài)之間的轉(zhuǎn)變邊，然后根據(jù)實(shí)時(shí)收集的數(shù)據(jù)定期更新情感圖譜；

73、s3、構(gòu)建情感歷史數(shù)據(jù)庫(kù)，并進(jìn)行分析，提取用戶的情感變化趨勢(shì)，并構(gòu)建情感波動(dòng)檢測(cè)算法識(shí)別情感歷史數(shù)據(jù)中的關(guān)鍵情感事件，根據(jù)情感變化趨勢(shì)和關(guān)鍵情感事件，生成用戶的個(gè)性化咨詢檔案；其中，所述情感波動(dòng)檢測(cè)算法具體包括：

74、設(shè)情感波動(dòng)閾值為δ，當(dāng)兩個(gè)連續(xù)時(shí)間點(diǎn)的情感特征向量變化超過(guò)閾值時(shí)，標(biāo)記為關(guān)鍵情感事件，設(shè)ti和ti+1時(shí)刻的情感特征向量分別為fi和fi+1，則關(guān)鍵情感事件的識(shí)別條件為：

75、∥fi+1-fi∥>δ

76、其中，δ表示情感狀態(tài)變化閾值，將滿足條件的情感特征向量對(duì)記錄為關(guān)鍵情感事件；

77、s4、通過(guò)構(gòu)建情感狀態(tài)預(yù)測(cè)模型根據(jù)從情感歷史記錄與個(gè)性化咨詢檔案中提取用戶的情感特征向量序列進(jìn)行情感狀態(tài)預(yù)測(cè)，同時(shí)設(shè)計(jì)情感預(yù)測(cè)閾值檢測(cè)情感特征向量序列中的變化，并使用強(qiáng)化學(xué)習(xí)優(yōu)化情感狀態(tài)預(yù)測(cè)模型并生成個(gè)性化情感調(diào)節(jié)方案；其中，所述設(shè)計(jì)情感預(yù)測(cè)閾值檢測(cè)情感特征向量序列中的變化，當(dāng)兩個(gè)連續(xù)時(shí)間點(diǎn)的情感特征向量變化超過(guò)閾值時(shí)，觸發(fā)情感干預(yù)機(jī)制，設(shè)ti+1和ti時(shí)刻的情感特征向量分別為fi+1和fi，則情感變化檢測(cè)條件為：

78、∥fi+1-fi∥>δ

79、其中，δ表示情感狀態(tài)變化閾值，對(duì)于檢測(cè)到的顯著情感變化，生成個(gè)性化的情感干預(yù)建議，所述感干預(yù)建議包括情感調(diào)節(jié)策略、心理干預(yù)措施和行為建議；

80、s5、構(gòu)建深度強(qiáng)化學(xué)習(xí)優(yōu)化模型，將當(dāng)前情感狀態(tài)作為輸入，傳遞給深度強(qiáng)化學(xué)習(xí)優(yōu)化模型進(jìn)行動(dòng)態(tài)路徑調(diào)整，根據(jù)深度強(qiáng)化學(xué)習(xí)優(yōu)化模型的輸出選擇最優(yōu)的咨詢策略并動(dòng)態(tài)咨詢路徑，同時(shí)在每次咨詢后檢測(cè)用戶的情感波動(dòng)并收集用戶的反饋評(píng)分收集用戶反饋并更新情感數(shù)據(jù)庫(kù)，再使用收集到的用戶反饋和情感數(shù)據(jù)，更新深度強(qiáng)化學(xué)習(xí)優(yōu)化模型的q值函數(shù)，最后根據(jù)用戶的歷史情感數(shù)據(jù)和預(yù)測(cè)的情感狀態(tài)，生成個(gè)性化的咨詢策略。

81、本發(fā)明的有益技術(shù)效果至少在于以下：

82、(1)本發(fā)明通過(guò)融合語(yǔ)音、面部表情和文本分析的多模態(tài)情感識(shí)別系統(tǒng)，綜合分析用戶的多種數(shù)據(jù)，提高情感識(shí)別的準(zhǔn)確性和全面性。解決了現(xiàn)有技術(shù)中情感識(shí)別依賴單一模態(tài)數(shù)據(jù)、準(zhǔn)確性不高的問(wèn)題。

83、(2)本發(fā)明建立用戶的情感圖譜，記錄和分析用戶在不同時(shí)間段的情感變化和心理狀態(tài)，使用知識(shí)圖譜技術(shù)結(jié)合情感認(rèn)知模型進(jìn)行分析。解決了現(xiàn)有技術(shù)中缺乏對(duì)用戶情感變化的長(zhǎng)期跟蹤和分析的問(wèn)題。

84、(3)本發(fā)明自動(dòng)記錄用戶的情感變化歷史，并基于這些數(shù)據(jù)生成個(gè)性化的咨詢檔案，保存用戶每次咨詢的情感數(shù)據(jù)和咨詢內(nèi)容，基于歷史數(shù)據(jù)生成個(gè)性化的咨詢檔案，包括情感變化趨勢(shì)和重要事件記錄。解決了現(xiàn)有技術(shù)中缺乏個(gè)性化咨詢方案的問(wèn)題。

85、(4)本發(fā)明基于用戶的歷史情感數(shù)據(jù)和當(dāng)前情感狀態(tài)，使用深度學(xué)習(xí)中的時(shí)間序列預(yù)測(cè)模型結(jié)合情感分析數(shù)據(jù)，預(yù)測(cè)用戶的長(zhǎng)期情感變化趨勢(shì)，并提前進(jìn)行心理干預(yù)。解決了現(xiàn)有技術(shù)中缺乏長(zhǎng)期情感管理方案的問(wèn)題。

86、(5)本發(fā)明建立一個(gè)基于情感分析的社群支持網(wǎng)絡(luò)，用戶可以在平臺(tái)上分享情感狀態(tài)，獲得其他用戶的情感支持和建議，通過(guò)情感分類模型對(duì)社群內(nèi)容進(jìn)行分析，匹配情感相似的用戶進(jìn)行互動(dòng)。解決了現(xiàn)有技術(shù)中缺乏互動(dòng)性和用戶社群支持機(jī)制的問(wèn)題。