人工智能技术应用：情感分析概述

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。

爱情是个永久的话题，是男女双方的相互吸引，相互爱慕并彼此渴望对方成为自己终身伴侣的最高情感。它引起了国内外学者的共同关注，并取得了很多研究成果[1-7]，陈寒，陈小异[8]，研究了大学生爱情教育的理论探索问题，该研究认为，对大学生进行爱情教育是必要的，爱情教育应该走在性教育的前面;爱情教育目的在于形成健康的爱情观;爱情教育的形式应该是非教条的，重在观念的养成。文献[9]讨论了苏霍姆林斯基的爱情教育观及性教育的启示，研究了怎样对待爱情怎样陶冶爱情这个心灵的高尚情感。从教育学的角度对此进行了深刻的分析研究，对我国的性教育有着重要的借鉴意义。文献[10]讨论了大学生恋爱心理与恋爱道德问题，认为对大学生恋爱道德要求主要是坚持恋爱的纯洁性，坚持感情的彼此尊重、自主自愿，在恋爱方式上要持之以度。文献[11]讨论了生命不可或缺的一环，给出了爱情的对策。认为学生恋爱是正常现象，客观存在，爱情教育的目的在于形成健康的爱情观，它是人性化的教育，重在培养。王兵，蔡阁，衡艳林[12]，大学生婚恋现象进行了调查分析，李蕨菡，郑娟[13]，研究了开放地区大学生的爱情道德现状及对策，上述讨论对大学生形成正确的婚恋观有一定的指导意义。

　　本文从数学的角度出发借助于数学中的映射概念建立了男女追求异性的求偶映射[14]，并给出了合理的解释，和比较精确的运算法则，通过映射的表达给出了爱情付出指数值以及厌恶指数值的定义，讨论了爱情的叠加性，传递性与稳定性，对当代大学生建立正确的婚恋观具有积极的指导意义。

　　1、基本定义与理论构建

　　男女有别，主要差别就表现在男女染色体不同，女性染色体为，男性染色体为，女性染色体起主要作用的就是，男性染色体起主要作用的就是，因此可以建立女性到男性的爱情映射：

：→，记爱情付出指数值为 (affection)，定义该女性对追求的男性的爱情付出指数值 = ()，其中0≤≤1，定义 =

()表示厌恶付出指数值，很显然爱情付出指数与厌恶指数满足： + = 1，如果某一女性在追求另一男性的过程中付出了70%的爱，则她的爱情付出指数值 () =

07，厌恶指数值则为 = 03，恋爱中的男女不光有爱，也会有恨，因此上述定义是比较合乎爱情规律的。

如果上述映射是可逆的则表示双方相爱，即建立了可逆映射：→。 如果上述映射不可逆则表示女性对男性的单相思，上述定义建立了女性求偶的映射。

　　同理，可以建立男性求偶的映射， ：→，定义该男性对追求的女性的爱情付出指数值 = ()，0≤≤1该男性对追求的女性的厌恶指数值为 =

()。如果上述映射是可逆的则表示双方相爱，即建立了可逆映射，：→。如果上述映射不可逆则表示男性对女性的一厢情愿。

　　同样可以建立映射 ：→或者 ：→，这种映射称为自映射，代表女性或男性具有自恋情结。此时定义自己对自己的相爱指数值 = ()，这里的

()值代表着自恋的程度，人都有两面性，即使是自己有的时候也有讨厌自己的一面，因此厌恶指数值定义为 = ()，作为上述情况的特例自映射是可逆映射。

　　而 ：→，则表示一个女性喜欢另外一个女性，此时爱情付出指数值定义为 = ()，厌恶指数 =

()，如果上述映射是可逆的则表示双方相爱，即建立了可逆映射， ：→。 如果上述映射不可逆则表示女性对另一女性的单相思，而

：→则表示一个男性喜欢另外一个男性，此时爱情付出指数值定义为 = ()，厌恶指数 = ()。如果上述映射是可逆的则表示双方相爱，即建立了可逆映射， ：→。

如果上述映射不可逆则表示男性对另一男性的一厢情愿。

　　2、叠加性，传递性与稳定性

　　如果一人对多人建立了爱情映射，：→， ：→，… ，：→，其中对的爱情付出指数为 = ()，则总的爱情付出指数值有加法运算： = = () =

1，对的厌恶指数为 = = ()。

　　如果多人对一人建立了爱情映射，：→， ：→， …， ：→

　　其中对的爱情付出指数为 = ()，则总的爱情接收指数值有加法运算： = = () = 1，而对的厌恶指数为 = = ()。

　　如果建立了下述映射，：→，

：→，正所谓华筝喜欢郭靖，郭靖喜欢黄蓉，对也有一少部分被动讨好的方面，但厌恶是主要方面，前段时间热播的电视剧《宫心计》，《美人心计》等，从中也不难发现后宫中女性在争宠当中的这种微妙的关系，两者间的关系是既合作又斗争，因此定义对的厌恶指数值定义为：

= ()()，而合作指数定义为： = ()()，需要说明的是这种厌恶只在中间相隔奇数个个体的人之间进行运算才有实际意义。

　　不难发现一一映射，即可逆映射，这种映射的元素具有唯一性和排它性，所以具有良好的稳定性，而多对一的映射以及一对多的映射则不具有稳定性，甚至经常酿成悲剧。例如：郑州某高校一女生在网上与多人确立恋爱关系，遭到报复，同宿舍的女生多人被砍死。

　　3、对当代大学生的启示

　　爱情是个永久的话题，是男女双方的相互吸引，相互爱慕并彼此渴望对方成为自己终身伴侣的最高情感。当代大学生对待恋爱漫无目的，感觉别人有对象，自己也应该有，追求的对象一定要帅，或者漂亮，至少也应该家里有钱，这样建立起来的恋爱关系很难有深刻的感情，是一种被生活扭曲的恋爱观。了解自我，对自己有一个稳定的、恰当的评价，这不仅是心理健康的一个标志，而且也是给自己一个适当的爱情定位。实际上恋爱就意味着付出自己的真爱，让她(他)知道你在乎她(他)，爱不一定就意味着花前月下，如胶似漆，爱也可以化作学习的动力，生活的鼓励与关怀。大学生对感情的追求，对异性的爱慕本身并没有错，存在即是合理，就像河道该疏通就要疏通，要因势利导，导向良性的恋爱观，清楚自己适合找一个什么样的人，能够找到一个什么样的人。这不但有利于爱情取得成功，而且这样的爱情很少具有盲目性，有利于自身素质的提高，从而使学生对爱情的追求动力也成为自我成长的动力。

　　再次，学生的首要任务还是学习，如果把大学四年都花在恋爱上确实这个赌注的砝码有点大，感情的事，就像洪水，多了就会泛滥，同时脚踩几条船的情况也屡见不鲜，迟早害了自己害了别人，因为感情喝药的，跳楼的，也时有发生，大学生在恋爱的过程中，由于性的吸引和双方情感的逐步加深，会无所顾忌，甚至有的对自己的性冲动不加抑制，发生了婚前性行为。建议大学生还是本着对自己对他人负责的态度，对待感情要谨慎，不是真爱就就不要轻易对对方说“我爱你”，有时喜欢一个人不一定要拥有，喜欢她(他)为她(他)祝福，也是一种不错的选择。正如有人所言，爱情需要激情，婚姻需要理性，如果能给学生在激情地追求爱情时一些理性，无疑更容易使爱情之舟安全地驶入婚姻的港湾。感情的事要讲求自然，水到渠成，瓜熟蒂落，切不可操之过急，没有对象的日子里也要单身并快乐着。了解爱情的上述特点能够帮助我们树立正确的健康的恋爱观，从而能够早日找到自己的真爱，属于自己的幸福。

情绪是人脑的高级功能，情绪分类的方法有许多，一般认为有四种基本情绪，即喜、怒、哀和惧。

(一)情绪的基本分类

1快乐

快乐是一种感受良好时的情绪反应，一般来说是一个人盼望和追求的目的达到后产生的情绪体验。由于需要得到满足，愿望得以实现，心理的急迫感和紧张感解除，快乐随之而生。

2愤怒

愤怒是指在实现目标时受到阻碍，而使愿望无法实现时产生的情绪体验。愤怒时紧张感增加，并且有时不能自我控制，甚至可能出现攻击行为。

3悲哀

悲哀也称也称悲伤，是指心爱的事物失去时，或理想和愿望破灭时产生的情绪体验。悲哀的程度取决于失去的事物对自己的重要性和价值。悲哀时带来的紧张的释放，会导致哭泣。当然，悲哀并不总是消极的，它有时能够转化为前进的动力。

4恐惧

恐惧是企图摆脱和逃避某种危险情景而又无力应付时产生的情绪体验。所以，恐惧的产生不仅仅是由于危险情景的存在，还与个人排除危险的能力和应付危险的手段有关。一个初次出海的人遇到惊骇浪或者鲨鱼袭击会感到恐惧无比，而一个经验丰富的水手对此可能已经司空见惯，泰然自若。

复合情绪是由基本情绪的不同组合派生出来的，在以上这四种基本情绪的基础之上，可以派生出众多的复杂情绪，如厌恶、羞耻、悔恨、嫉妒、喜欢、同情等。

(二)情绪状态的分类

情绪状态是指在一定的生活事件影响下，一段时间内各种情绪体验的一般特征表现。根据情绪状态的强度和持续时间可分为心境、激情和应激。

1心境

心境是指微弱而持久，带有渲染性的情绪状态。一种心境的持续时间依赖于引起心境的客观刺激的性质，如“感时花溅泪，恨别鸟惊心”;一个人取得了重大的成就，在一段时间内处于积极、愉快的心境中。

2激情

激情是一种迅猛爆发、激动短暂的情绪状态。激情是一种持续时间短、表现剧烈、失去自我控制力的情绪，激情是短暂的暴发式的情绪体验。人们在生活中的狂喜、狂怒、深重的悲痛和异常的恐惧等都是激情的表现。

3应激

应激是指个体对某种意外的环境刺激所做出的适应性反应，是个体觉察到环境的威胁或挑战而产生的适应或应对反应。比如，人们遇到突然发生的火灾、水灾、地震等自然灾害时，刹那间人的身心都会处于高度紧张状态之中。此时的情绪体验，就是应激状态。

(三)情感的分类

情感是指与人的社会性需要相联系的主观体验。人类高级的社会性情感主要有道德感、理智感和美感。

1道德感

道德感是在评价人的思想、意图和行为是否符合道德标准时产生的情感。由于不同历史时代、不同社会制度、不同的民族具有不同的道德标准，所以人的道德感具有社会历史性。

2理智感

理智感是在认识和评价事物过程中所产生的情感。它是人们学习科学知识、认识和掌握事物发展规律的动力。人的理想、世界观对理智感有重要的作用。例如求知欲、好奇心等都属于理智感的范畴。

3美感

美感是根据一定的审美标准评价事物时所产生的情感。人的审美标准既反映事物的客观属性，又受个人的思想观点和价值观念的影响，美感具有一定的社会历史性，不同历史时期、不同文化背景的人们对美的认识不同，例如，唐朝的女性以胖为美。

俗话说：花有五颜六色，人有七情六欲 何谓七情？《礼记-礼运》说：“喜、怒、哀、惧、爱、恶、欲七者弗学而能。”可见，情是喜怒哀乐的情感表现或心理活动，而欲是七情之一。奇怪的是，佛教的“七情”竟与儒家的“七情”大同小异，指的是“喜、怒、忧、惧、爱、憎、欲”七种情愫，把欲也放在七情之末。中医理论稍有变化，七情指““喜、怒、忧、思、悲、恐、惊”七种情志，这七种情志激动过度，就可能导致阴阳失调、气血不周而引发各种疾病，令人深思的是，中医学不把“欲”列入七情之中 那么，什么是六欲呢？《吕氏春秋-贵生》首先提出六欲的概念：“所谓全生者，六欲皆得其宜者。”那么六欲到底是什么东西？东汉哲人高诱对此作了注释：“六欲，生、死、耳、目、口、鼻也。”可见六欲是泛指人的生理需求或欲望。人要生存，生怕死亡，要活得有滋有味，有声有色，于是嘴要吃，舌要尝，眼要观，耳要听，鼻要闻，这些欲望与生俱来，不用人教就会。后来有人把这概括为“见欲、听欲、香欲、味欲、触欲、意欲”六欲。但佛家的《大智度论》的说法与此相去甚远，认为六欲是指色欲、形貌欲、威仪姿态欲、言语音声欲、细滑欲、人想欲，基本上把“六欲”定位于俗人对异性天生的六种欲望，也就是现代人常说的“情欲” 现代人似乎更喜欢笼统地提“七情六欲”，而不把七情六欲作具体的区分。有一首流行歌曲，歌名就叫“七情六欲”，歌词记不太清楚了，但有几句印象很深，说什么“醉了吧反正清醒更断肠”，“陪你走过一段七情六欲全都品尝爱你的苦不要你扛泪不要你挡七情六欲打翻笑着哭哭着笑去想你的模样;……”具体哪七情六欲歌者虽然没有说清楚，但却把现代青年失恋后醉生梦死的心态和感觉唱得淋漓尽致、死去活来了 说到这里，情与欲似乎已经得到了统一。也就是说，情与欲是不能分开的，没有情哪来的欲？没有欲又哪来的情？没有情，没有欲，六根清净，四大皆空，不食人间烟火，没有儿女情长，没有悲欢离合，这样的人不是尼姑、和尚，就是神仙、鬼怪了 由此观之，七情六欲是人类基本的生理要求和心理动态，是人性基础的基础，是皆有的本性，也是人间生活的最基本色调。但人与人并不一样，七情六欲的表现也就有五花八门，正所谓七情六欲有，千差万别各不同。正因为如此，如何表现人的七情六欲，就成了文学艺术创作取之不尽的源泉和气象万千的话题 然而情毕竟不等于欲，在现代汉语概念里，情与欲还不完全是一回事。情主要是指人的情感表现，属于人的心理活动范畴；而欲主要是指人的生存和享受的需要，属于生理活动的范畴。有一句谚语说：情太切伤心，欲太烈伤身，说明情与欲分别属于“心”与“身”两个联系密切但又不同的领域。其次，情与欲互动互补，相辅相成，情可以生欲，欲也可以生情；欲的满足需要感情的投入，而情的愉悦也有赖于欲的满足。但如果非要对情与欲排个坐次，分个先后，不妨展开一场辩论，那么正方和反方恐怕都可以振振有辞，说得头头是道，讨论起来就像先有鸡还是先有蛋一样热闹而有趣。不信你去问热恋中的青年男女，他们虽说身临其境，但肯定很难说清楚情与欲到底是怎么个关系。文学艺术作品如果无情无欲，恐怕就不成其文学艺术了，但如果你想从文学艺术作品中找答案，可能就更扑朔迷离，云遮雾障，稀里糊涂了 不过科学家已经有比较明确的说法。在我们生存的世界里，可以把一切分为矿物、植物、动物三大类。矿物是没有生命的；植物有生命但没有欲觉，只有接受而没有感受；动物有生命有欲望，而且知道“感受”。人是动物，当然具有求生存的基本欲望，所以孟子说：“人之异于禽兽者几希”。但人毕竟不是禽兽，而是高等动物，是“万物之灵”，比起禽兽的欲望当然要高级得多，也就是说，人类不仅能接受信息，感受信息，而且还能因授受信息而感动、激动、冲动，并理智地加以节制或处理，把动物的欲望发展到情感和理智的高度，而普通动物的欲望和感受只停留在本能的水平上。从某种意义上来说，文学艺术就是表现人的七情六欲的艺术。看一件文艺作品的精粗、雅俗与高下水平，有一个重要标志，就是看作品表现人的七情六欲时，究竟达到了与时代相适应的情感和理智的何种程度或高度。

情绪与情感定义

是人对客观事物的态度的体验。

情绪与情感的分类

1根据情绪性质分：

(1)快乐

(2)愤怒

(3)悲哀

(4)恐惧

2根据情绪状态分：

(1)心境

(2)激情

(3)应激

情感的种类依据社会性内容其实就三个，分别为美感、理智感、道德感。

其中的道德感应该是大家生活中最耳熟能详的了吧，它指的是人们在对自己或他人的言行举止符合社会道德程度做判断时所产生的的一种情感，比方说愧疚感；理智感是指人们在与智力有关的活动中所产生的情感，比方说好奇心；而美感则指的是人们在欣赏文艺作品、社会现象、自然现象或景观时所产生的情感，比方说对丑陋之物的厌恶与蔑视，对美好景物或事物的感叹和赞美之情。

世界上到底有几种感情？大概没人统计过，可是数一数，就随手拈来了。亲情，友情，爱情是人类的三大情感皈依。但是既然能分出这三种，就有另外三种也存在：反亲情，反友情，反爱情。说到底，最后所有感情归为零，也许还不如零。这个时候才知道，世界上还有比零渺小的东西。 又听人说过还有第四种感情，所谓介于爱情和友情之间的感情。也许有人懂。因为懂得，所以慈悲么。可我却感觉没有能力去支撑。 不知道该用什么样的语言和基调去描述一切，也许我想装的平常和淡然一点，但是，总是会失败。因为毕竟发生了，在自己的最最身边。甚至我不能去叙述，也许这样我也会罪孽深重，然而也不能去诅咒，那样我又害怕加重他们的罪孽。可我确实在思考，思考我该做些什么，或能做些什么，只是我也不知道。 人太奇怪，一切可以理解，然而一切也可以毫不理解。无法左右别人的一言一行，甚至也看不到自己。 纪伯伦说过：我们活着只是为了发现美，其他一切都是为了等待。 而我一直向着温馨的目标，虔心的等待。