При разработке алгоритма распознавания стоит руководствоваться следующими наблюдениями:

• Представления о паттернах эмоционального поведения у разных субъектов могут разниться
• Программные агенты могут внедряться в различные среды, предполагающие разные виды эмоционального поведения, в том числе отличные от тех, что свойственны человеку
• В деле распознавания эмоций человек опирается как на наблюдаемые эмоциональные признаки, так и на когнитивную оценку текущей ситуации [2]
• Агенты могут испытывать различные эмоции одновременно

Нецелесообразно и непрактично формировать для каждого агента обучающую выборку, как это принято в классической задаче классификации. Достаточно задать некоторые шаблоны признаков, отражающие индивидуальное понимание агента о проявлениях тех или иных эмоций. Потому для этой задачи не подойдут классификаторы, оперирующие с обучающими выборками или заранее построенными по ним структурами данных, такими как деревья принятия решений. Предлагается использовать для этой цели наивный байесовский классификатор, который позволяет формализовать представления агента о проявлениях эмоций путём задания вероятностей P(f_k|C_i), где f_k – k-тый признак, а C_i – i-тый класс эмоций. Пусть (f₁,…,f_N) – входной вектор признаков, С₁,…,С_M – возможные классы эмоций, тогда классификация производится по методу максимума апостериорной вероятности:

Знаменатель является константой, потому может быть опущен. Т.к. предполагается возможность смешения нескольких эмоций, задача сводится к многозначной классификации: распознаётся каждый класс C_i, для которого апостериорная вероятность превысит пороговое значение [3]:

В качестве порогового значения обычно используется среднее арифметическое вероятностей:

Чтобы предотвратить возможность арифметического переполнения снизу вследствие перемножения мелких чисел, можно переформулировать проблему с использованием свойств логарифма:

Как было сказано ранее, условные вероятности P(f_k|C_i) задаются для каждого агента индивидуально. Априорные же вероятности появления классов P(C_i)  могут быть получены исходя из когнитивной оценки ситуации, либо приравнены друг другу в случае распознавания только на основе наблюдаемых признаков. Итоговая схема распознавания эмоций представлена на рисунке 1.

Рисунок 1. Схема распознавания эмоций программного агента

Реализация стадии оценки ситуации зависит от используемой оценочной теории эмоций. Существует несколько оценочных теорий, среди которых OCC, Lazarus, Scherer и некоторые другие [4]. Базовая идея всех таких теорий заключается в интерпретации эмоций как ответной реакции на воспринимаемые последовательности событий и действий, объекты окружающего мира. События оцениваются относительно целей, убеждений и знаний агента. Результат оценки формулируется в виде оценочных переменных, набор которых в различных теориях может разниться. Соответственно, история произошедших ранее событий, связанных с агентом, может быть использована для корректировки ожиданий относительно его эмоционального состояния. Априорная вероятность эмоций, вызванных у агента недавними событиями, должна быть выше прочих и обратно пропорциональна прошедшему с момента события времени. Кроме того, можно учитывать информацию о последнем известном на данный момент эмоциональном состоянии агента.

Таким образом, описанным в статье способом наивный байесовский классификатор может быть адаптирован для реализации распознавания эмоций программных агентов в произвольной среде.