心情机制
心情机制
本章节将介绍 V4.5.0 中新加入好感系统的心情机制，「心情系统」中引入了「心情」、「心情浮动」和「心情系数」三个变量。
每次校准将对当前校准周期中的活跃用户进行一次心情变动，重新调整上述三个变量的值。
我们将对它们分别进行介绍，并阐述它们内在的算法机理。
适用人群
本章节适合对 V4.5.0 版本前的好感系统有一定了解、且愿意深入理解心情系统运行机制的用户。
迭代中
目前心情机制仍处于迭代中，本章节中的内容会随着版本的更新而发生变化。
心情
顾名思义，它指示了茉莉当前的心情，处于不同心情下的茉莉对我们的反应自然是不同的，这部分不同包括好感的获取量、回复等。
这意味着，在该版本之前，和茉莉互动的效果取决于你当前的好感度、全局校准值和亲和度，而现在，它还取决于茉莉的心情。
同时，茉莉在不同的心情下对不同好感等级的用户的回复是不同的。
好感等级由低到高可分为 4 个等级，而心情从宏观上来讲分为好、中、坏三个等级，即每一种行为对应 3*4=12 种不同情景下的回复。
目前版本中，茉莉有以下几种心情：
平常：平时的正常情绪，没有任何附加效果
开心：随时间流逝的好感度减少，时间流逝的好感度会乘以心情系数
渴望：喂食、赠礼的好感获取量增加，获取的好感将乘以心情系数
振奋：交互的好感获取量增加（除喂食、赠礼），获取的好感将乘以心情系数
好奇：提出一项物品需求，赠送茉莉该物品后有5%概率立刻获得 300 点好感，未完成将有5%概率减少 100 点好感
焦虑：随时间流逝的好感度增加，时间流逝的好感度会乘以心情系数
失望：喂食、赠礼的好感获取量减少，获取的好感将乘以心情系数
枯燥：交互的好感获取量减少（除喂食、赠礼），获取的好感将乘以心情系数
后续心情将在后续版本陆续补充，敬请期待。
心情浮动
考虑这样一个事实：没有人会一直保持好心情或坏心情，为了避免这种情况，我们需要一个变量来对连续的同类心情进行概率修正。
当算法抽取到好心情时，心情浮动值将+1，坏心情将-1，平常心情不变。
每一个单位心情浮动值将减少抽取到平常心情与当前心情的概率，同时增加相反心情的概率。
特别地，当心情浮动值绝对值达到 3 时，下一次情绪变动将必定抽取相反的情绪。
当抽取到了相反的心情时，心情浮动值将重置为 0。
心情系数
在上述有关心情这一变量的介绍中，我们提到了心情系数，它是心情对好感获取量调整的直接反应。
心情系数的取值范围为[0.5,2]，每种不同的心情有不同的计算心情系数的方式，具体计算方法将在下面的心情算法中介绍。
心情算法
我们接下来将对茉莉采用的心情抽取算法进行介绍，如果你准备好了，就让我们开始吧！
首先，需要明确的是，不同于「校准值」这一全局概念，心情是单个用户独立的，在每次校准时对上一校准周期内活跃的用户重新计算。
我们首先将通过 Box-Muller 变换获取一个标准正态分布随机数。
local x = math.random()
local y = math.random()
local z = math.sqrt(-2 * math.log(x)) * math.cos(2 * math.pi * y)
可见，z 的取值范围是[-inf,inf]，现在我们在原点两边取两个边界点，分别为-0.75 和 0.75。
若 z 的取值在[-0.75,0.75]之间，则认为茉莉处于平常心情，小于-0.75 则认为茉莉处于坏心情，大于 0.75 则认为茉莉处于好心情。
不难得到，茉莉处于平常心情的概率 P=54.68%
上述的方法是在心情浮动值为 0 的情况下的抽取方法，当心情浮动值不为 0 时，我们将在上述的基础上进行修正。
我们假设心情浮动值为 float_value，分两种情况讨论：
float_value < 0：两个边界点分别修正为-0.75+float_value*0.1 和 0.75+ float_value*0.2
float_value > 0：两个边界点分别修正为-0.75+float_value*0.2 和 0.75+ float_value*0.1
通过上述方法抽得到了心情的三种分类：好、中、坏
接下来，按照均匀分布的方法，在不同的心情分类下抽取一个具体心情，即上述介绍心情时提到的具体心情。
在抽取到具体心情后，我们将根据具体心情计算心情系数 c，具体计算方法如下：
首先，我们将 z 的范围限定在[-1,1]之间，接着计算 y=abs(z) + 1
对于不同的心情：
平常：c = 1
开心：c = 1/y
渴望：c = y
振奋：c = y
好奇：不存在心情系数
焦虑：c = y
失望：c = 1/y
枯燥：c = 1/y
当然，心情抽取结束后我们将对心情浮动值进行调整，调整算法在介绍心情浮动时已阐述过了。
上述算法将在后续版本中进行调整。