心情系统策划草案，第二版

一、设计概述

本策划案基于图示框架进行内容细化。基于二或三维（可选）模型进行情绪模拟，并设计若干算法进行情绪生成拟真，以提升茉莉的情感真实性。

二、“情绪坐标”

情绪坐标为本系统的核心实现部分。本核心遵从PAD情感三维理论，基于Mehrabian和Russell于1994年提出的维度观测量模型，对情绪进行三个维度的量化，并通过算法设计将量化结果应用于茉莉的情绪模拟。若采用二维设计方案，对本章内容降维处理即可。

二（1）、情绪量化与锚点

在PAD情感三维理论中，情绪可以被量化成三个不同维度：

本系统选用其正面的三名词作为变量名，以三个变量构建情绪空间直角坐标系，三轴即为Pleasure（P轴），Arousal（A轴）和Dominance（D轴）。

在坐标轴中，规定正半轴为PAD理论的正面属性，负半轴为负面属性，0为平衡状态。

规定一个区域边界，所有的情绪均在边界内考虑，以边界值为三维的上下限。

任意情绪均有唯一的量化结果，即每个情绪都有独立的愉悦度、激活度和优势度。以此为前提，对于任意情绪i，可在情绪坐标系中确定唯一点（i.P，i.A，i.D）。该点即为该情绪的情绪锚点。

二（2）、情绪落点、偏移和判定

默认情绪为平常，处于坐标轴原点。即默认情绪落点在点（0，0，0）处。每次全局校准时，对上个校准周期内有过交互记录的用户进行情绪偏移和判定。

情绪偏移包含愉悦偏移、唤醒偏移和优势偏移三个分类，控制情绪落点在坐标轴三个维度的移动，即ΔP、ΔA和ΔD。情绪偏移由多个变量计算而成，用户可以通过交互、赠礼和完成任务的方式以调整其中部分变量（称作偏移量加权）的值，以间接影响茉莉的情绪。

情绪偏移的计算公式可以概括如下：

在完成偏移后，新的情绪落点坐标应为（P+ΔP，A+ΔA，D+ΔD）。

偶尔，情绪偏移后新的落点会出现在区域边界外，此时视作茉莉的情绪模块过载崩溃，将新落点坐标强制更改为（0，0，0）。

情绪判定发生在情绪偏移完成后，将新获得的情绪落点（P+ΔP，A+ΔA，D+ΔD）与现有所有情绪的情绪锚点进行距离比较，距离情绪落点最近的锚点所对应的情绪即为本次判定所得情绪。若存在一个以上的最近锚点，则优先取P较高的情绪。若P也相同则考虑A，再考虑D。

二（3）、概率处理

在二（2）节的情绪判定部分，有可能出现某一情绪的出现概率过高或过低的情况。为此设计了两种不同的方式进行概率处理，实际开发时选择一种（或更优解）实现即可。

方案一，添加权重：

在情绪落点与各锚点判定距离时，赋予各锚点一独立的权重乘子c。由此，可将比对时使用的距离Len化作：

权重乘子c的值应在[0.5，2]之间，默认为1。对于某一需要特别提升或降低其出现率的情绪，可以通过调整其c的值实现。

方案二，修正落点：

对情绪落点进行二次数学处理，以影响落点在空间中出现的概率。
将正方体按其顶点-中心连线为面，均匀切为六个四棱锥空间。在切分线（顶点-中心连线）上不进行概率修正，而在各独立空间内均采用数学方法（如乘1/cos或幂函数）以将图像向心收缩，以调解情绪整体出现率。

二（4）、情绪活跃度

情绪活跃度被用来修正茉莉长期不合理的情绪活动。
出于用户体验和拟真的考虑，茉莉不应长期表现为同一种情绪，由此可以将活跃度变量的作用直观称为：在情绪长期不变时，增大偏移时基准偏移的区间宽度；在情绪长期变化时，减少基准偏移的区间宽度。
基准偏移公式为：

endpoint的大小会被情绪活跃度影响，其影响如下：
设活跃度变量Ac=1.5。若本次情绪判定的结果与上次相同，则Ac+0.5；若本次情绪判定的结果与上次不同，则Ac-0.5。Ac的值最大不超过3，最小不低于0.5。

基准值的值可以设置为区域边长一半的五分之一，即区域边长/10。

将模型降为二维；在区域边长1000，基准值为100的前提下，进行5000次原始落点模拟（不包含概率处理，但包含二(2)节所述超出边界的点强制归中），模拟落点为半径10的红色圆点，则在不同Ac的情况下，概率如图所示。

可见，情绪活跃度系统能较好的起修正情绪落点分布的作用。

三、好感等级

好感等级沿用此前使用的四级好感分级，在不改动原有文案的情况下实现新系统的功能。

此前使用的好感分级节点为2000、4500和6000好感，对应无好感（0至2000）、低好感（2000至4500）、高好感（4500至6000）和极高好感（6000+）。

V2系统下将reply具体分为2个类别，具体见图。

在此之上，为提高文案复用率，建议高一级好感可兼容低一级好感的特殊reply组。也就是说，低好感可以使用无、低好感的特殊reply组，高好感可以使用低、高好感的特殊reply组，以此类推。

表格如下：

四、任务

任务系统被设计用于回收FL，稳定经济。出于未来可能加入更多有FL消耗需求系统的缘故，任务被设计为不要求用户定时完成，但延期完成会导致完成奖励降低，作为任务惩罚。

任务系统仅对好感大于3000的用户开放。

若某用户在上个校准周期内有过交互记录，且目前没有等待完成的任务，则在本次校准时有20%的概率获得一项任务。完成任务后进入24小时的冷却期，24小时内的校准不再将用户视作任务发放目标。

根据任务需求的不同，任务可分为道具需求和交互需求两类。

四（1）、道具需求

检索该用户FL，查询其50%FL能够购买的商店【食品类】道具。向用户粗略描述道具，但不提及该道具的具体名称，对道具的描述可以以关键词形式更新在用户手册中。当用户提交指定道具时，只对用户进行道具等价FL的扣除，不涉及真实的道具购买与赠送。

用户每24小时有一次机会猜测任务所需道具，使用指令【/提交 <道具名>】进行猜测，如未满24小时则提示间隔过短。猜测时优先判断用户FL是否充足，在足够的前提下，若猜测成功则扣除道具等价FL，并发放任务奖励；若猜测失败则提示失败。如用户持有的FL小于购买其猜测的道具价格，则提示FL不足。

任务奖励为1.5倍的该道具效果。若任务完成时间减去任务开始时间已大于73小时，则将任务奖励减半。

该类任务没有完成时间上限。

四（2）、交互需求

检索该用户好感，查询其好感能正常使用的交互。向用户粗略描述交互，但不提及该交互的关键词。

用户若在3小时内完成了该交互，则该交互必定不可能失败且效果改为1.5倍，否则视作用户的任务超时，扣除5点亲和。超时后，该交互再度触发时仅改为必定不可能失败且效果不变。

该类任务没有完成时间上限。

四（3）、非道具需求外的赠礼

目前存在的非道具需求（仅指四（1）节中所属道具需求）外的赠礼主要包含日常赠送和满足好奇心情两类情况，主要出现在好感接近破千和刚破千后。目前强需赠礼稳定好感的情况仅发生在≥15000好感度的情况下，这已经显著高于最高好感要求。

本节提供两则设计，其一限制任务在大量赠礼下的出现率，另一控制赠礼对心情的影响。

其一、任务控制：

设计思路为“大量赠礼之后不应该出现任务”。

将综述中“本次校准时有20%的概率获得一项任务”改为“本次校准时有(20/C)+5%的概率获得一项任务”，其中C为Control的缩写，为控制变量，默认为1。若某用户在上个校准周期内有过交互记录，则本周期内，将其累计赠礼数添加至C。

实例：如某用户一次赠送5袋薯片和五次赠送1袋薯片，结果的C均为6。这将使任务出现率从20%下降至3.33%。

若某用户在上个校准周期内有过交互记录，且在本周期内完全没有执行过赠礼，则将C重置为默认值1。

其一、心情干涉：

设计思路为“赠礼影响心情，大量赠礼对心情的影响渐弱”。

使用偏移量加权的方式，对于第i件赠礼，设置赠礼加权W-Gift i，则有（这里Base应取绝对值）：

上图中各函数可表述为：

通过上述图像可以看出，在100件赠礼时，赠礼加权累计对偏移的影响仍小于30%基准偏移。

五、附录

附录中包含术语对照表和二（4）节中用以验证的代码，您可以在此核对名词，并参考策划原始思路。

五（1）、术语对照表

五（2）、测试代码

AC的测试代码，使用Processing 4.0作为编译器。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

int r = 10;
float endpoint = 【填入测试数据】, x, y;
void move(){
    x += random(-endpoint, endpoint);
    y += random(-endpoint, endpoint);
    if(x > width || y > height || x < 0 || y < 0){
         x=width/2;
         y=height/2;
    }
    ellipse(x, y, r, r);
}
      
void setup(){
    fill(255,100,100);
    size(1000, 1000);
    x = width / 2;
    y = height / 2;
for(int i = 0; i < 5000; i++){
         move();
    }
}
      
void draw(){
}