豹纹，怎么就成了性感代名词？

生活中无处不存在着设计，藏着各式的小心思。

而很多我们所常见的设计中，居然隐藏着心理投射，真的有这么神奇吗？

豹纹为什么象征性感？

豹纹、斑马纹、蟒蛇纹……这些在包包服装设计上都是常客，那大家有想过为什么只选择这些动物的斑纹，并且长久不衰的拥有忠实粉丝呢？

Halpern spring 2023

从心理学角度分析，大部分人穿衣多是为了显示自己的个性。

选择特定动物纹理的原因同样如此。

而动物皮革因为纹理差异，也使其传递的信息各不相同。

豹纹通常会有性感的感觉。

这是因为豹纹会让人联想到豹子。

豹子虽然是猛兽， 但体型较小动作敏捷谨慎，让人感觉轻盈灵巧。

同时优雅高贵，性格温顺又狂野，与女性性格诸多吻合。

女性在极度缺乏安全感并渴望被保护时，会对豹纹特别喜爱，这是她们心理反射的自然体现。

又因为其以棕色为基础，和人体肤色接近，有种类似于赤裸的感觉，会让人觉得比较性感。

天然独特纹理所形成的性感与美，是大受时尚追捧的主要因素。

同样作为猛兽的虎纹就一向没那么受欢迎，其更多蕴藏的是严肃危险，缺少心理共鸣。

相比之下，豹纹会显得亲近很多。

老虎与马蜂的配色，倒是常常出现在警告标志上。

Roberto Cavalli 2022春夏

斑马的黑白纹理，永远符合流行趋势，黑白相间向来是主流的时尚配色。

其纹理不仅传递出持久的审美魅力，又潜藏着食草动物的可爱。

R13 2021AW

蟒蛇所生存的热带雨林气息丰盈，纹理华贵繁复，皮质柔软坚韧。蟒蛇纹皮衣给人一种诱惑、优雅与冷艳的感觉。

KHAITE S/S 23 WOMENSWEAR

选择不同的动物纹理，其实更多体现了消费与审美的自我个性。

香味增强对异性吸引力？

嗅觉作为与其他感官完全不同的化学感官，在活跃人的神经方面拥有很重要的作用。

星巴克里常年的奶香味，其实是吸引你的重要原因；我们平常会精心挑选香水的香味、香调

这些设计中的小心思不可忽略。

《香水》

嗅觉和性吸引力息息相关。

以色列科学研究所发现，和许多动物相似，人类会因嗅觉气味找到与自己相匹配的朋友和伴侣。

“体味”相似的陌生人，更容易建立亲密关系。

除了荷尔蒙，香味还能产生使人心情愉悦的多巴胺。

《闻香识女人》

而且嗅觉可以引起对当下场所的认同，通过嗅觉让记忆更加深刻。

咸涩气味可以让人联想到自由的海边；福尔马林的医药味，则让人们立刻感觉到在医院的拘束、精神上的紧张。

雨后的土腥、草皮的清香、奶油的甜蜜……伴随着我们成长的空间中的味道，都会在大脑中留下深刻记忆。

当再次闻到相同或近似气味时，大脑会向我们传递当时的场景。

香味营销从上世纪末在欧美国家兴起，分为物品香味营销和环境香味营销。

物品香味营销多运用于食品超市中，将产品加香以图吸引顾客。

甚至有设计者提取出产品内部气味放在外部包装上，将经过化学加工后的气味融合在材料或颜料中，让外包装都充满浓郁的食品味，增加购买力。

而环境香味营销则是在空间环境中加入特有香味，使人都心情愉悦。

比如新加坡航空公司的航班，就有一股特殊的香味。

这种名为“Stefan Floridian Waters”的特制香味，存在于机组的每个细节中，被新航申请为专利香味，属于新航公司形象的一部分。

嗅觉不仅可以形成丰富的多重感官体验，还能够引导人们的行为、加深空间记忆。

设计中可以“看见”的声音？

为什么可口可乐和雪碧都把开罐的声音做成自己的特色？

视觉可以通过对大脑中记忆的调动，来引起听觉器官的感受。

设计中就常常让 观者 联想到这个声音， 进而 “听到”视觉化语言想要表达的意境，创造一种心理场景的投射。

从记忆效果来看，听到的信息可以记住20%，看到的信息约30%。

而视听结合的信息，则大约可以记住50%。

设计师们通过不同设计，让大家能够听到、甚至看到声音。

有声音的海报系列，是Saxofunny公司发出的一个广告创意。

设计师制作了可以互动的海报，使用不同的材料制作，来模拟并发出海报中物体的声音。

比如金属薄板的雷电、红纸的火焰、泡泡膜的打字机。

充满趣味性的同时，让人印象深刻。

怎么样，看到的同时，是不是心里已经蹦出了一个声音？

可口可乐则是想让人看到声音。

“Try not to hear this（努力不要去听这个声音）”系列海报，通过可口可乐开瓶时的动作，来唤醒大家的听觉。

特殊材质的心理暗示？

不同材料可以带给人们不同的心理感受和情感反应。

喜欢营造温暖自然感觉的人，装修可能会选择木材家具，再比如，比起塑料凳子，人们会更喜欢布艺的沙发或椅子。

MuratYldrm

这是因为大脑根据经验，会对不同材质的物品做出初步判断：

比如木材给人温暖、韧性、自然的质感，金属则是表现坚硬、冰冷、光滑，塑料细密、弹性、但却不透气……

因此，设计通过不同工艺，或不同材料结合，获得了丰富的情感语义。

人为质感和自然质感相结合的设计，充满了生机与活力。

新材料与新工艺的发展，让产品材料传达的情感语义越来越丰富。

Miss Blanche Chair1988

设计师Shiro Kuramata十分擅长用材料表达情感，MissBlanche是其代表作。

椅身是夹着纸质玫瑰的透明树脂，再加上坚硬的紫色铝制椅腿形成了强烈对比，廉价的工业材料成为了艺术品。

《欲望号街车》

这件作品是为致敬《欲望号街车》女主角布兰奇而制作。

玫瑰象征爱情，铝材代表残酷现代社会。

坐在椅子上就会导致玫瑰的消失，以此暗示情感的脆弱与现实。

简单的椅子，仅通过材质的有机组合，就拥有了缺失已久的情感表达作用。

视觉设计也可以“挑逗”味蕾？

味觉，作为人们每天必须的体验，其实早在设计师的范畴内。

咖啡包装要用深棕色，再配上精美的图案；当看到糖果包装的时候，我们下意识就能猜出来是什么口味。

在食品视觉设计中，设计者总能想尽办法刺激你的大脑，让你由这些包装联想到某些食物的味道。

在味觉设计中，往往要表现许多抽象体验，香糯、丝滑、酥脆…… 都会运用到通感来表达，这些联想来自于曾经体验过的食物。

红色大多会联想辣椒的刺激性，火锅底料、麻辣味食品等就多是使用红色包装。

蓝色则会使我们感觉到清凉，仿佛舌尖触碰到了清凉泉水，因此矿泉水更多的使用蓝色调。

而很多的食物口味我们其实不能单纯的归类于酸甜苦辣咸，比如各种水果。

香蕉到底是种什么味道？这种复合口味很难用词语解释清楚， 所以在包装中通常会采取口味对应的色彩与图形来设计。

此外，城市或者国家宣传也往往喜欢把味觉体验当作自己的名片 ——美国汉堡、法国红酒、日本寿司……

通过这些设计，我们就能联系到特定的食物或者区域，甚至是文化。

设计正因为隐藏的心理学知识，让大众拥有了独特的私人体验。

在浮躁的今日，静心留意身边，一定会发现许多惊喜。

参考文献：

孙宁动物纹理皮革服装设计研究[C]西安工程大学,2012

吴兹古力五感与视觉语言的关联性研究[C]西安美术学院,2012

张巧莲家具情感化设计的研究[C]东北林业大学,2010

话题征集

评论区留下你最想看的话题，点赞前三名的话题有机会入选小印话题库，最终入选的inker会获得本印的独家赠书嗷～

作者：花花

责编：丛夏

近年来,微博已经成为全球最受欢迎的网络应用之一,微博的快速发展使其显示出了巨大的社会价值和商业价值,人们逐渐习惯在以微博为代表的社交网络上获取、交流信息与表达情感。文本情感倾向性分析主要关注以文本方式存在的信息中的情感倾向,当庞大的数据量使得它无法手动对它们进行分析时,情感分析就开始发挥作用了。情感分析在英文世界一直是一个被广泛研究的领域,而中文情感分析的研究仍处于起步阶段,大部分工作已通过尝试被证明是适用于英文的。 首先,本文总结分析了文本倾向性分析的基本概念与算法模型,在此基础上,将心理学中的PAD情感模型引入,结合知网提供的语义相似度计算方法,提出了一种使用给定基础情感词汇与其对应PAD值计算词汇的PAD值的方法,并以此构建了一个基于PAD情感模型的情感词典。其次,本文将问题扩展到中文的文本倾向性分析研究中,提出了一种结合统计信息与语义信息的权重计算方法,通过该方法,在一定程度上消除特征歧义对于分类器的影响,使得特征的权重更贴合文本的语义,分类的效果更好。最后,本文综合中文微博文本分析研究现状,分析了现有的文本表示模型,结合机器学习中的支持向量机算法,提出了基于PAD情感语义特征的支持向量机分类方法。 实验结果表明,基于支持向量机的分类算法的效果好于k最近邻节点算法的效果。同时,本文提出的基于PAD情感语义特征的支持向量机分类方法都能够取得比较实用的效果,并对普通的支持向量机方法效果有着显著的改进。

语言学家利奇（G．Leech）在他的著名的《语义学》（1983）中划分出七种不同的语义类型：即概念意义（conceptual meaning）、内涵意义（connotative meaning）、社会意义（social meaning）、情感意义（affective meaning）、联想意义（reflective meaning）、搭配意义（collective meaning）、主题意义（thematic meaning）。

主要的区别是：知心指心心相映，知道彼此心里想什么，这一般用在爱人之间；知已是为彼此相互了解而情谊深厚，亲密的朋友；知音指志趣相投，可以彼此欣赏，这一般用在朋友之间。

1、知心

出自：唐．李嘉_．留别_陵诸公诗

原文：知心从此别，相忆鬓毛斑。

释义：知道心从此告别，相忆两鬓白发的人。

2、知己

出自：唐· 王勃《杜少府之任蜀州》

原文：海内存知己,天涯若比邻。

释义：四海之内只要有了你，知己啊知己，不管远隔在天涯海角，都想在一起。

3、知音

出自：三国．魏．曹丕．与吴质书

原文：昔伯牙绝弦于锺期，仲尼覆醢于子路，痛知音之难遇，伤门人之莫逮。

释义：过去伯牙绝弦在钟期，孔子与子路倒掉肉酱，痛惜知音难遇，受伤学生的不到。

扩展资料

近义词

知交的意思是相知的朋友。

出自：元．金仁杰．追韩信．第一折

原文：你道拜为兄长相结好，为朋友便耽饶，呵，咱两个做知交。

释义：你道拜为兄长相结好，是朋友就特别多，呵，咱们两个做朋友。

知友的意思是知心的好朋友。

出自：韩非子．五蠹。

原文：知友被辱，随仇者，贞也。

释义：知心的朋友被侮辱，随着报仇的人，贞洁的。

深交的意思是深厚的交情。

出自：儒林外史．第十四回。

原文：同他是深交，眼睁睁看他有事，不能替他掩下来，这就不成个朋友了。

释义：同其他是深交，眼睁睁看他有事情，不能替他遮掩下来，这就不成个朋友了。

与其他的人工智能技术相比，情感分析(Sentiment Analysis)显得有些特殊，因为其他的领域都是根据客观的数据来进行分析和预测，但情感分析则带有强烈的个人主观因素。情感分析的目标是从文本中分析出人们对于实体及其属性所表达的情感倾向以及观点，这项技术最早的研究始于2003年Nasukawa和Yi两位学者的关于商品评论的论文。

随着推特等社交媒体以及电商平台的发展而产生大量带有观点的内容，给情感分析提供了所需的数据基础。时至今日，情感识别已经在多个领域被广泛的应用。例如在商品零售领域，用户的评价对于零售商和生产商都是非常重要的反馈信息，通过对海量用户的评价进行情感分析，可以量化用户对产品及其竞品的褒贬程度，从而了解用户对于产品的诉求以及自己产品与竞品的对比优劣。在社会舆情领域，通过分析大众对于社会热点事件的点评可以有效的掌握舆论的走向。在企业舆情方面，利用情感分析可以快速了解社会对企业的评价，为企业的战略规划提供决策依据，提升企业在市场中的竞争力。在金融交易领域，分析交易者对于股票及其他金融衍生品的态度，为行情交易提供辅助依据。

目前，绝大多数的人工智能开放平台都具备情感分析的能力，如图所示是玻森中文语义开放平台的情感分析功能演示，可以看出除了通用领域的情感分析外，还有汽车、厨具、餐饮、新闻和微博几个特定领域的分析。

那么到底什么是情感分析呢？从自然语言处理技术的角度来看，情感分析的任务是从评论的文本中提取出评论的实体，以及评论者对该实体所表达的情感倾向，自然语言所有的核心技术问题，例如：词汇语义，指代消解，此役小气，信息抽取，语义分析等都会在情感分析中用到。因此，情感分析被认为是一个自然语言处理的子任务，我们可以将人们对于某个实体目标的情感统一用一个五元组的格式来表示：(e,a,s,h,t)

以图为例，e是指某餐厅，a为该餐厅的性价比属性，s是对该餐厅的性价比表示了褒义的评价，h为发表评论者本人，t是19年7月27日。所以这条评论的情感分析可以表示为五元组（某餐厅，性价比，正向褒义，评论者，19年7月27日）。

情感分析根据处理文本颗粒度的不同，大致可以分为三个级别的任务，分别是篇章级、句子级和属性级。我们分别来看一下。

1 篇章级情感分析

篇章级情感分析的目标是判断整篇文档表达的是褒义还是贬义的情感，例如一篇书评，或者对某一个热点时事新闻发表的评论，只要待分析的文本超过了一句话的范畴，即可视为是篇章级的情感分析。

对于篇章级的情感分析而言有一个前提假设，那就是全篇章所表达的观点仅针对一个单独的实体e，且只包含一个观点持有者h的观点。这种做法将整个文档视为一个整体，不对篇章中包含的具体实体和实体属性进行研究，使得篇章级的情感分析在实际应用中比较局限，无法对一段文本中的多个实体进行单独分析，对于文本中多个观点持有者的观点也无法辨别。

例如评价的文本是：“我觉得这款手机很棒。”评价者表达的是对手机整体的褒义评价，但如果是：“我觉得这款手机拍照功能很不错，但信号不是很好”这样的句子，在同一个评论中出现了褒义词又出现了贬义词，篇章级的分析是无法分辨出来的，只能将其作为一个整体进行分析。

不过好在有很多的场景是不需要区分观点评价的实体和观点持有者，例如在商品评论的情感分析中，可以默认评论的对象是被评论的商品，评论的观点持有者也是评论者本人。当然，这个也需要看被评论的商品具体是什么东西，如果是亲子旅游这样的旅游服务，那么评论中就很有可能包含一个以上的观点持有者。

在实际工作中，篇章级的情感分析无法满足我们对于评价更细致，如果需要对评论进行更精确，更细致的分析，我们需要拆分篇章中的每一句话，这就是句子级的情感分析研究的问题。

2 句子级情感分析

与篇章级的情感分析类似，句子级的情感分析任务是判断一个句子表达的是褒义还是贬义的情感，虽然颗粒度到了句子层级，但是句子级分析与篇章级存在同样的前提假设是，那就是一个句子只表达了一个观点和一种情感，并且只有一个观点持有人。如果一个句子中包含了两种以上的评价或多个观点持有人的观点，句子级的分析是无法分辨的。好在现实生活中，绝大多数的句子都只表达了一种情感。

既然句子级的情感分析在局限性上与篇章级是一样的，那么进行句子级的情感分析意义何在呢？关于这个问题，需要先解释一下语言学上主观句与客观句的分别。在我们日常用语当中，根据语句中是否带有说话人的主观情感可以将句子分为主观句和客观句，例如：“我喜欢这款新手机。”就是一个主观句，表达了说话人内心的情感或观点，而：“这个APP昨天更新了新功能。”则是一个客观句，陈述的是一个客观事实性信息，并不包含说话人内心的主观情感。通过分辨一个句子是否是主观句，可以帮助我们过滤掉一部分不含情感的句子，让数据处理更有效率。

但是在实操过程中，我们会发现这样的分类方法似乎并不是特别准确，因为一个主观句也可能没有表达任何的情感信息，知识表达了期望或者猜测，例如：“我觉得他现在已经在回家的路上了。”这句话是一个主观句，表达了说话人的猜测，但是并没有表达出任何的情感。而客观句也有可能包含情感信息，表明说话者并不希望这个事实发生，例如：“昨天刚买的新车就被人刮花了。”这句话是一个客观句，但结合常识我们会发现，这句话中其实是包含了说话人的负面情感。

所以，仅仅对句子进行主客观的分类还不足以达到对数据进行过滤的要求，我们需要的是对句子是否含有情感信息进行分类，如果一个句子直接表达或隐含了情感信息，则认为这个句子是含有情感观点的，对于不含情感观点的句子则可以进行过滤。目前对于句子是否含有情感信息的分类技术大多都是采用有监督的学习算法，这种方法需要大量的人工标注数据，基于句子特征来对句子进行分类。

总之，我们可以将句子级的情感分析分成两步，第一步是判断待分析的句子是否含有观点信息，第二步则是针对这些含有观点信息的句子进行情感分析，发现其中情感的倾向性，判断是褒义还是贬义。关于分析情感倾向性的方法与篇章级类似，依然是可以采用监督学习或根据情感词词典的方法来处理，我们会在后续的小节详细讲解。

句子级的情感分析相较于篇章级而言，颗粒度更加细分，但同样只能判断整体的情感，忽略了对于被评价实体的属性。同时它也无法判断比较型的情感观点，例如：“A产品的用户体验比B产品好多了。”对于这样一句话中表达了多个情感的句子，我们不能将其简单的归类为褒义或贬义的情感，而是需要更进一步的细化颗粒度，对评价实体的属性进行抽取，并将属性与相关实体之间进行关联，这就是属性级情感分析。

3 属性级情感分析

上文介绍的篇章级和句子级的情感分析，都无法确切的知道评价者喜欢和不喜欢的具体是什么东西，同时也无法区分对某一个被评价实体的A属性持褒义倾向，对B属性却持贬义倾向的情况。但在实际的语言表达中，一个句子中可能包含了多个不同情感倾向的观点，例如：“我喜欢这家餐厅的装修风格，但菜的味道却很一般。”类似于这样的句子，很难通过篇章级和句子级的情感分析了解到对象的属性层面。

为了在句子级分析的基础上更加细化，我们需要从文本中发现或抽取评价的对象主体信息，并根据文本的上下文判断评价者针对每一个属性所表达的是褒义还是贬义的情感，这种就称之为属性级的情感分析。属性级的情感分析关注的是被评价实体及其属性，包括评价者以及评价时间，目标是挖掘与发现评论在实体及其属性上的观点信息，使之能够生成有关目标实体及其属性完整的五元组观点摘要。具体到技术层面来看，属性级的情感分析可以分为以下6个步骤：

关于文本中的实体抽取和指代消解问题，我们已经在知识图谱的相关章节中做了介绍，这里就不再赘述。针对篇章级、句子级、属性级这三种类型的情感分析任务，人们做了大量的研究并提出了很多分类的方法，这些方法大致可以分为基于词典和基于机器学习两种，下面我们进行详细的讲解。

做情感分析离不开情感词，情感词是承载情感信息最基本的单元，除了基本的词之外，一些包含了情感含义的短语和成语我们也将其统称为情感词。基于情感词典的情感分析方法，主要是基于一个包含了已标注的情感词和短语的词典，在这个词典中包括了情感词的情感倾向以及情感强度，一般将褒义的情感标注为正数，贬义的情感标注为负数。

具体的步骤如图所示，首先将待分析的文本先进行分词，并对分词后的结果做去除停用词和无用词等文本数据的预处理。然后将分词的结果与情感词典中的词进行匹配，并根据词典标注的情感分对文本进行加法计算，最终的计算结果如果为正则是褒义情感，如果为负则是贬义情感，如果为0或情感倾向不明显的得分则为中性情感或无情感。

情感词典是整个分析流程的核心，情感词标注数据的好坏直接决定了情感分类的结果，在这方面可以直接采用已有的开源情感词典，例如BosonNLP基于微博、新闻、论坛等数据来源构建的情感词典，知网（Hownet）情感词典，台湾大学简体中文情感极性词典（NTSUSD），snownlp框架的词典等，同时还可以使用哈工大整理的同义词词林拓展词典作为辅助，通过这个词典可以找到情感词的同义词，拓展情感词典的范围。

当然，我们也可以根据业务的需要来自己训练情感词典，目前主流的情感词词典有三种构建方法：人工方法、基于字典的方法和基于语料库的方法。对于情感词的情感赋值，最简单的方法是将所有的褒义情感词赋值为+1，贬义的情感词赋值为-1，最后进行相加得出情感分析的结果。

但是这种赋值方式显然不符合实际的需求，在实际的语言表达中，存在着非常多的表达方式可以改变情感的强度，最典型的就是程度副词。程度副词分为两种，一种是可以加强情感词原本的情感，这种称之为情感加强词，例如“很好”相较于“好”的情感程度会更强烈，“非常好”又比“很好”更强。另外一种是情感减弱词，例如“没那么好”虽然也是褒义倾向，但情感强度相较于“好”会弱很多。如果出现了增强词，则需要在原来的赋值基础上增加情感得分，如果出现了减弱词则需要减少相应的情感得分。

另一种需要注意的情况是否定词，否定词的出现一般会改变情感词原本的情感倾向，变为相反的情感，例如“不好”就是在“好”前面加上了否定词“不”，使之变成了贬义词。早期的研究会将否定词搭配的情感词直接取相反数，即如果“好”的情感倾向是+1，那么“不好”的情感倾向就是-1。但是这种简单粗暴的规则无法对应上真实的表达情感，例如“太好”是一个比“好”褒义倾向更强的词，如果“好”的值为+1，那么“太好”可以赋值为+3，加上否定词的“不太好”变成-3则显然有点过于贬义了，将其赋值为-1或者-05可能更合适。

基于这种情况，我们可以对否定词也添加上程度的赋值而不是简单的取相反数，对于表达强烈否定的词例如“不那么”赋值为±4，当遇到与褒义词的组合时褒义词则取负数，与贬义词的组合则取正数，例如贬义词“难听”的赋值是-3，加上否定词变成“不那么难听”的情感得分就会是（-3+4=1）。

第三种需要注意的情况是条件词，如果一个条件词出现在句子中，则这个句子很可能不适合用来做情感分析，例如“如果我明天可以去旅行，那么我一定会非常开心。”，在这句话中有明显的褒义情感词，但是因为存在条件词“如果”，使得这个句子的并没有表达观点持有者的真实情感，而是一种假设。

除了条件句之外，还有一种语言表达也是需要在数据预处理阶段进行排除的，那就是疑问句。例如“这个餐厅真的有你说的那么好吗？”，虽然句子中出现了很强烈的褒义情感词“那么好”，但依然不能将它分类为褒义句。疑问句通常会有固定的结尾词，例如“……吗？”或者“……么？”，但是也有的疑问句会省略掉结尾词，直接使用标点符号“？”，例如“你今天是不是不开心？”，这个句子中含有否定词和褒义词组成的“不开心”，但不能将其分类为贬义情感。

最后一种需要注意的情况是转折词，典型词是“但是”，出现在转折词之前的情感倾向通常与转折词之后的情感倾向相反，例如：“我上次在这家酒店的住宿体验非常好，但是这次却让我很失望。”在这个转折句中，转折词之前的“非常好”是一个很强的褒义词，但真实的情感表达却是转折词之后的“很失望”，最终应该将其分类为贬义情感。当然，也存在出现了转折词，但语句本身的情感并没有发生改变的情况，例如“你这次考试比上次有了很大的进步，但是我觉得你可以做得更好”，这里的转折词没有转折含义，而是一种递进含义。在实际操作中，我们所以需要先判断转折句真实的情感表达到底是哪个，才能进行正确的分析计算。

构建情感词典是一件比较耗费人工的事情，除了上述需要注意的问题外，还存在精准度不高，新词和网络用语难以快速收录进词典等问题。同时基于词典的分析方法也存在很多的局限性，例如一个句子可能出现了情感词，但并没有表达情感。或者一个句子不含任何情感词，但却蕴含了说话人的情感。以及部分情感词的含义会随着上下文语境的变化而变化的问题，例如“精明”这个词可以作为褒义词夸奖他人，也可以作为贬义词批评他人。

尽管目前存在诸多问题，但基于字典的情感分析方法也有着不可取代的优势，那就是这种分析方法通用性较强，大多数情况下无需特别的领域数据标注就可以分析文本所表达的情感，对于通用领域的情感分析可以将其作为首选的方案。

我们在机器学习算法的章节介绍过很多分类算法，例如逻辑回归、朴素贝叶斯、KNN等，这些算法都可以用于情感识别。具体的做法与机器学习一样需要分为两个步骤，第一步是根据训练数据构建算法模型，第二步是将测试数据输入到算法模型中输出对应的结果，接下来做具体的讲解。

首先，我们需要准备一些训练用的文本数据，并人工给这些数据做好情感分类的标注，通常的做法下，如果是褒义和贬义的两分类，则褒义标注为1，贬义标注为0，如果是褒义、贬义和中性三分类，则褒义标注为1，中性标注为0，贬义标注为-1

在这一环节中如果用纯人工方法来进行标注，可能会因为个人主观因素对标注的结果造成一定影响，为了避免人的因素带来的影响，也为了提高标注的效率，有一些其他取巧的方法来对数据进行自动标注。比如在电商领域中，商品的评论除了文本数据之外通常还会带有一个5星的等级评分，我们可以根据用户的5星评分作为标注依据，如果是1-2星则标注为贬义，如果是3星标注为中性，4-5星标注为褒义。又比如在社区领域中，很多社区会对帖子有赞和踩的功能，这一数据也可以作为情感标注的参考依据。

第二步是将标注好情感倾向的文本进行分词，并进行数据的预处理，前文已经对分词有了很多的介绍，这里就不再过多的赘述。第三步是从分词的结果中标注出具备情感特征的词，这里特别说一下，如果是对情感进行分类，可以参考情感词典进行标注，也可以采用TF-IDF算法自动抽取出文档的特征词进行标注。如果分析的是某个特定领域的，还需要标注出特定领域的词，例如做商品评价的情感分析，需要标注出商品名称，品类名称，属性名称等。第四步根据分词统计词频构建词袋模型，形成特征词矩阵，如表所示。在这一步可以根据业务需要给每个特征词赋予权重，并通过词频乘以权重得到特征词分数。最后一步就是根据分类算法，将特征词矩阵作为输入数据，得到最终的分类模型。

当训练好分类模型之后，就可以对测试集进行分类了，具体的流程与建模流程类似，先对测试的文本数据进行分词并做数据预处理，然后根据特征词矩阵抽取测试文本的特征词构建词袋矩阵，并将词袋矩阵的词频数据作为输入数据代入之前训练好的模型进行分类，得到分类的结果。

采用基于机器学习的方法进行情感分析有以下几个不足之处，第一是每一个应用领域之间的语言描述差异导致了训练得到的分类模型不能应用与其他的领域，需要单独构建。第二是最终的分类效果取决于训练文本的选择以及正确的情感标注，而人对于情感的理解带有主观性，如果标注出现偏差就会对最终的结果产生影响。

除了基于词典和基于机器学习的方法，也有一些学者将两者结合起来使用，弥补两种方法的缺点，比单独采用一种方法的分类效果要更好，另外，也有学者尝试使用基于LSTM等深度学习的方法对情感进行分析，相信在未来，情感分析会应用在更多的产品中，帮助我们更好的理解用户需求，提升用户使用智能产品的体验。

随着深度神经网络等算法的应用，情感分析的研究方向已经有了非常大的进展，但依然存在着一些难题是目前尚未解决的，在实操过程中需特别注意以下几种类型数据：

情绪轮在用户体验设计上被广泛的应用，很多情感化设计都是基于情绪轮进行的。但是在人工智能领域，将情绪进行多分类比情感分析的三分类任务要难得多，目前大多数分类方法的结果准确性都不到50%。这是因为情绪本身包含了太多的类别，而且不同的类别之间又可能具有相似性，一个情绪词在不同的语境下有可能表达的是不同的情绪类别，算法很难对其进行分类。即使是人工对文本进行情绪类别标注也往往效果不佳，因为情绪是非常主观性的，不同的人对不同的文本可能产生不同的理解，这使得人工标注情绪类比的过程异常困难。如何让机器可以理解真实的情绪目前还是一个未能攻克的难题。