РАЗРАБОТКА МЕТОДА ОПРЕДЕЛЕНИЯ ЭМОЦИОНАЛЬНОГО СОСТОЯНИЯ ЧЕЛОВЕКА С ПОМОЩЬЮ ЧАТ-БОТА
Аннотация
В настоящее время практически во всех сферах деятельности интенсивно применя-
ются диалоговые системы (чат-боты), при этом стоит обратить внимание, что данные
механизмы начали использовать не только в сфере развлечений, но и в более важных сфе-
рах – бизнес или даже медицина. В связи с этим появляется необходимость развития и
совершенствования системы общения таких роботов на естественном языке. В данной
статье предлагается метод определения эмоционального состояния человека с помощью
чат-бота. В статье даётся определение чат-боту, рассматриваются виды чат-ботов,
определяются основные принципы их работы. На основе выявленных различий в работе
алгоритмов по определению текста чат-ботами описывается наиболее подходящая тех-
нология для решения поставленной задачи – работа с нейронными сетями. Выявлены и
описаны недостатки существующих решений по сравнению с разрабатываемым методом.
Важно отметить, что особенностью метода является соединение технологий интеллек-
туальных чат-ботов и дополненной реальности. В статье описан общий алгоритм работы
метода определения эмоционального состояния человека с помощью чат-бота, включаю-
щий восемь основных этапов., Описаны разработанные и выделенные критерии оценки
эмоций: валентность, интенсивность и стеничность. Представлена архитектура разра-
ботанного решения, которая имеет клиент-серверный подход. Серверная часть включает
в себя также модуль определения тональности текста и модуль формирования ответа, в
то время как клиент включает в себя чат и внешний вид «Аватара» разработанного чат-
бота. Описаны основные шаги реализации, среди которых представлен первоначальный
интерфейс, а также этапы разработки приложения дополненной реальности. В статье
перечислены используемые средства для работы с дополненной реальностью (Unity 3D и
фреймворк AR Vuforia). Представлены созданные 3D-модели. Показаны результаты обра-
ботки скелетной анимации при помощи оборудования Perception Neuron 3 и последующей
обработки в Axis Studio. По итогам работы было сформулировано заключение, описываю-
щее качественное отличие разработанной системы по отношению к существующим рас-
смотренным аналогам, а также приведены результаты проверки работы системы.
Литература
MINDSHARE_HUDDLE_HUMANITY_MACHINE_2016.pdf (accessed 14 Desember 2021).
2. Digital 2022 Russian Federation, Data Sources and Methodologies. Available at:
datareportal.com/ (accessed 10 March 2022).
3. Strebkov D.O., Shevchuk A.V., Spirina M.O. Samostoyatel'naya zanyatost' na rynke udalennoy
raboty: rasprostranenie innovatsionnoy trudovoy praktiki [Self-employment in the remote
work market: the spread of innovative labor practices], Monitoring obshchestvennogo
mneniya: Ekonomicheskie i sotsial'nye peremeny [Monitoring of public opinion: Economic
and social changes], 2016, No. 6, pp. 89-106.
4. Tarasov D. [et al.]. Language models for unsupervised acquisition of medical knowledge from
natural language texts: application for diagnosis, Proceedings of the International Conference
“Dialogue 2019”, 2019, 11 p.
5. Razzaki S. A comparative study of artificial intelligence and human doctors for the purpose of
triage and diagnosis, 2018.
6. Samyak S., Gupta A., Raj T., Karnam A., Mamatha HR. Speech Emotion Analyzer, Innovative
Data Communication Technologies and Application, 2022, pp. 113-124.
7. Arumugam R. Shanmugamani. Hands-On Natural Language Processing with Python. Packt
Publishing, 2018.
8. Ryazanov VV. Modeli, metody, algoritmy i arkhitektury sistem raspoznavaniya rechi. Moscow:
Vychislitel'nyi tsentr im. A.A. Dorodnitsyna; 2006, 138 p. (In Russ.)
9. Pérez J.Q., Daradoumis T., and Puig J.M.M. Rediscovering the use of chatbots in education:
A systematic literature review, Computer Applications in Engineering Education, 2020,
Vol. 28, No. 6, pp. 1549-1565.
10. Alm A., and Nkomo L.M. Chatbot experiences of informal language learners: A sentiment
analysis, International Journal of Computer-Assisted Language Learning and Teaching
(IJCALLT), 2020, Vol. 10, No. 4, pp. 51-56.
11. Miner A., Laranjo L., Kocaballi A.B. Chatbots in the fight against the COVID-19 pandemic,
npj Digit. Med., 2020, Vol. 3, pp. 65.
12. Chen H. [et al.]. A Survey on Dialogue Systems: Recent Advances and New Frontiers, ACM
SIGKDD Explorations Newsletter. Association for Computing Machinery (ACM), 2017,
Vol. 19, No. 2, pp. 25-35.
13. Shukla S. [et al.]. Conversation Learner – A Machine Teaching Tool for Building Dialog
Managers for Task-Oriented Dialog Systems, Proceedings of the 58th Annual Meeting of the
Association for Computational Linguistics: System Demonstrations. Association for Computational
Linguistics, 2020, pp. 343-349.
14. Xu G. [et al.]. Optimizing Policy via Deep Reinforcement Learning for Dialogue Management,
2018 IEEE International Conference on Big Data and Smart Computing (BigComp).
IEEE, 2018, pp. 582-589.
15. Alvaro N.E. Implementing ChatBots using Neural Machine Translation techniques: Bachelor
thesis. Universitat Polit`ecnica de Catalunya, 2017, 44 p.
16. Kulikova Ya.V., Kulikov E.A. Primenenie tekhnologii dopolnennoy real'nosti dlya obuchenii
detey s osobennostyami razvitiya [Application of augmented reality technology for teaching
children with special needs], Innovatsionnye nauchnye issledovaniya: teoriya, metodologiya,
praktika: Sb. statey XIII Mezhdunarodnoy nauchno-prakticheskoy konferentsii: v 2 ch. Tom CH. 2. Penza, 20 marta 2018 goda [Innovative scientific research: theory, methodology, practice:
Collection of articles of the XIII International Scientific and Practical Conference: in 2
parts. Volume Part 2. Penza, March 20, 2018]. Penza: Nauka i Prosveshchenie (IP Gulyaev
G.YU.), 2018, pp. 165-170. EDN YTKTDQ.
17. Song Y. [et al.]. An Ensemble of Retrieval-Based and Generation-Based Human-Computer
Conversation Systems, IJCAI, 2018.
18. Yang L. [et al.]. A Hybrid Retrieval-Generation Neural Conversation Model, Proceedings of
the 28th ACM International Conference on Information and Knowledge Management, 2019,
pp. 1341-1350.
19. Venkatesh A. [et al.]. On Evaluating and Comparing Conversational Agents, arXiv preprint
arXiv:1801.03625, 2018.
20. Serban I. [et al.]. Multiresolution Recurrent Neural Networks: An Application to Dialogue
Response Generation, AAAI, 2017.
