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)程心理咨詢平臺及方法。

背景技術(shù)：

1、現(xiàn)代社會，隨著生活節(jié)奏的加快和社會壓力的增加，心理健康問題日益受到關(guān)注。傳統(tǒng)的心理咨詢方式主要依賴于面對面的交流，這種方法存在諸多局限性。首先，面對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，面對面的交流方式可能會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)程心理咨詢平臺逐漸興起。這些平臺利用自然語言處理、情感識別和大數(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，通過語音識別和文本分析技術(shù)，系統(tǒng)可以自動生成心理咨詢建議，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)用中仍存在不少問題。

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

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

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

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)程心理咨詢平臺及方法，明通過融合語音、面部表情和文本分析的多模態(tài)情感識別系統(tǒng)，綜合分析用戶的多種數(shù)據(jù)，提高情感識別的準(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，其特征在于，所述平臺包括：

3、多模態(tài)情感識別模塊，用于收集用戶的語音數(shù)據(jù)、面部表情數(shù)據(jù)和文本數(shù)據(jù)并對數(shù)據(jù)進(jìn)行預(yù)處理，對預(yù)處理后的數(shù)據(jù)進(jìn)行多模態(tài)特征提取得到語音特征向量、表情特征向量和文本特征向量，然后對語音特征向量、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，并對情感數(shù)據(jù)庫進(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，并進(jìn)行分析，提取用戶的情感變化趨勢，并構(gòu)建情感波動檢測算法識別情感歷史數(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，所述情感波動檢測算法具體包括：

6、設(shè)情感波動閾值為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記錄為關(guān)鍵情感事件；

9、長期情感狀態(tài)預(yù)測干預(yù)模塊，用于通過構(gòu)建情感狀態(tài)預(yù)測模型根據(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，同時(shí)設(shè)計(jì)情感預(yù)測閾值檢測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)測閾值檢測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，則情感變化檢測條件為：

10、∥fi+1-fi∥>δ

11、其中，δ表示情感狀態(tài)變化閾值，對于檢測到的顯著情感變化，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)的咨詢策略并動態(tài)咨詢路徑，同時(shí)在每次咨詢后檢測用戶的情感波動并收集用戶的反饋評分收集用戶反饋并更新情感數(shù)據(jù)庫，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，所述平臺還包括：

14、社群情感支持模塊，用于從多模態(tài)情感識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，再將用戶之間的互動記錄和情感支持評分存儲在社群情感圖譜中，同時(shí)定期更新社群情感圖譜，添加新的用戶節(jié)點(diǎn)和互動邊，并更新邊的權(quán)重。

15、優(yōu)選的，所述預(yù)處理包括：對語音數(shù)據(jù)進(jìn)行降噪處理，使用短時(shí)傅里葉變換將語音信號轉(zhuǎn)換為頻譜圖表示；對表情圖像數(shù)據(jù)進(jìn)行灰度化和歸一化處理；對文本數(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，對情感歷史數(shù)據(jù)庫進(jìn)行分析提取用戶的情感變化趨勢，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)移動平均法計(jì)算用戶的情感變化趨勢；設(shè)窗口大小為w，情感特征向量的加權(quán)移動平均值表示如下：

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)測模型為長短期記憶網(wǎng)絡(luò)，具體包括：

35、設(shè)長短期記憶網(wǎng)絡(luò)的參數(shù)為θlstm，則情感狀態(tài)預(yù)測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)測的情感特征向量；

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

39、

40、其中，表示情感波動正則化項(xiàng)，λw表示情感波動正則化項(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表示用戶反饋評分，α和β為權(quán)重系數(shù)，λe為情感波動系數(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，檢測用戶的情感波動并收集用戶的反饋評分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，情感波動檢測公式表示如下：

48、wt＝||ft-ft-1||

49、若wt超過預(yù)設(shè)的情感波動閾值δw，則記錄為顯著情感波動，并生成反饋機(jī)制，同時(shí)將用戶的反饋評分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；

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，·表示向量內(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，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)有情感支持評分機(jī)制，設(shè)用戶i對用戶j的支持評分為ri,j，用戶在互動后對對方的情感支持進(jìn)行評分，則評分機(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對用戶j的主觀反饋評分；

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、收集用戶的語音數(shù)據(jù)、面部表情數(shù)據(jù)和文本數(shù)據(jù)并對數(shù)據(jù)進(jìn)行預(yù)處理，對預(yù)處理后的數(shù)據(jù)進(jìn)行多模態(tài)特征提取得到語音特征向量、表情特征向量和文本特征向量，然后對語音特征向量、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，并對情感數(shù)據(jù)庫進(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，并進(jìn)行分析，提取用戶的情感變化趨勢，并構(gòu)建情感波動檢測算法識別情感歷史數(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，所述情感波動檢測算法具體包括：

74、設(shè)情感波動閾值為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記錄為關(guān)鍵情感事件；

77、s4、通過構(gòu)建情感狀態(tài)預(yù)測模型根據(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，同時(shí)設(shè)計(jì)情感預(yù)測閾值檢測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)測閾值檢測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，則情感變化檢測條件為：

78、∥fi+1-fi∥>δ

79、其中，δ表示情感狀態(tài)變化閾值，對于檢測到的顯著情感變化，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)的咨詢策略并動態(tài)咨詢路徑，同時(shí)在每次咨詢后檢測用戶的情感波動并收集用戶的反饋評分收集用戶反饋并更新情感數(shù)據(jù)庫，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)明通過融合語音、面部表情和文本分析的多模態(tài)情感識別系統(tǒng)，綜合分析用戶的多種數(shù)據(jù)，提高情感識別的準(zhǔn)確性和全面性。解決了現(xiàn)有技術(shù)中情感識別依賴單一模態(tài)數(shù)據(jù)、準(zhǔn)確性不高的問題。

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)中缺乏對用戶情感變化的長期跟蹤和分析的問題。

84、(3)本發(fā)明自動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)測模型結(jié)合情感分析數(shù)據(jù)，預(yù)測用戶的長期情感變化趨勢，并提前進(jìn)行心理干預(yù)。解決了現(xiàn)有技術(shù)中缺乏長期情感管理方案的問題。

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)，用戶可以在平臺上分享情感狀態(tài)，獲得其他用戶的情感支持和建議，通過情感分類模型對社群內(nèi)容進(jìn)行分析，匹配情感相似的用戶進(jìn)行互動。解決了現(xiàn)有技術(shù)中缺乏互動性和用戶社群支持機(jī)制的問題。