情感计算的“情感计算”的基本内容

人们期盼着能拥有并使用更为人性化和智能化的计算机。在人机交互中，从人操作计算机，变为计算机辅助人；从人围着计算机转，变为计算机围着人转；计算机从认知型，变为直觉型。显然，为实现这些转变，人机交互中的计算机应具有情感能力。情感计算研究就是试图创建一种能感知、识别和理解人的情感，并能针对人的情感做出智能、灵敏、友好反应的计算系统。

情感被用来表示各种不同的内心体验（如情绪、心境和偏好），情绪被用来表示非常短暂但强烈的内心体验，而心境或状态则被用来描述强度低但持久的内心体验。情感是人与环境之间某种关系的维持或改变，当客观事物或情境与人的需要和愿望符合时会引起人积极肯定的情感，而不符合时则会引起人消极否定的情感。

情感具有三种成分：⑴主观体验，即个体对不同情感状态的自我感受；⑵外部表现，即表情，在情感状态发生时身体各部分的动作量化形式。表情包括面部表情（面部肌肉变化所组成的模式）、姿态表情（身体其他部分的表情动作）和语调表情（言语的声调、节奏、速度等方面的变化）；⑶生理唤醒，即情感产生的生理反应，是一种生理的激活水平，具有不同的反应模式。

概括而言，情感的重要作用主要表现在四个方面：情感是人适应生存的心理工具，能激发心理活动和行为的动机，是心理活动的组织者，也是人际通信交流的重要手段。从生物进化的角度我们可以把人的情绪分为基本情绪和复杂情绪。基本情绪是先天的，具有独立的神经生理机制、内部体验和外部表现，以及不同的适应功能。人有五种基本情绪，它们分别是当前目标取得进展时的快乐，自我保护的目标受到威胁时的焦虑，当前目标不能实现时的悲伤，当前目标受挫或遭遇阻碍时的愤怒，以及与味觉（味道）目标相违背的厌恶。而复杂情绪则是由基本情绪的不同组合派生出来的。

情感测量包括对情感维度、表情和生理指标三种成分的测量。例如，我们要确定一个人的焦虑水平，可以使用问卷测量其主观感受，通过记录和分析面部肌肉活动测量其面部表情，并用血压计测量血压，对血液样本进行化验，检测血液中肾上腺素水平等。

确定情感维度对情感测量有重要意义，因为只有确定了情感维度，才能对情感体验做出较为准确的评估。情感维度具有两极性，例如，情感的激动性可分为激动和平静两极，激动指的是一种强烈的、外显的情感状态，而平静指的是一种平稳安静的情感状态。心理学的情感维度理论认为，几个维度组成的空间包括了人类所有的情感。但是，情感究竟是二维，三维，还是四维，研究者们并未达成共识。情感的二维理论认为，情感有两个重要维度：⑴愉悦度（也有人提出用趋近-逃避来代替愉悦度）；⑵激活度，即与情感状态相联系的机体能量的程度。研究发现，惊反射可用做测量愉悦度的生理指标，而皮肤电反应可用做测量唤醒度的生理指标。

在人机交互研究中已使用过很多种生理指标，例如，皮质醇水平、心率、血压、呼吸、皮肤电活动、掌汗、瞳孔直径、事件相关电位、脑电EEG等。生理指标的记录需要特定的设备和技术，在进行测量时，研究者有时很难分离各种混淆因素对所记录的生理指标的影响。情感计算研究的内容包括三维空间中动态情感信息的实时获取与建模，基于多模态和动态时序特征的情感识别与理解，及其信息融合的理论与方法，情感的自动生成理论及面向多模态的情感表达，以及基于生理和行为特征的大规模动态情感数据资源库的建立等。

欧洲和美国的各大信息技术实验室正加紧进行情感计算系统的研究。剑桥大学、麻省理工学院、飞利浦公司等通过实施“环境智能”、“环境识别”、“智能家庭”等科研项目来开辟这一领域。例如，麻省理工学院媒体实验室的情感计算小组研制的情感计算系统，通过记录人面部表情的摄像机和连接在人身体上的生物传感器来收集数据，然后由一个“情感助理”来调节程序以识别人的情感。如果你对电视讲座的一段内容表现出困惑，情感助理会重放该片段或者给予解释。麻省理工学院“氧工程”的研究人员和比利时IMEC的一个工作小组认为，开发出一种整合各种应用技术的“瑞士军刀”可能是提供移动情感计算服务的关键。而目前国内的情感计算研究重点在于，通过各种传感器获取由人的情感所引起的生理及行为特征信号，建立“情感模型”，从而创建个人情感计算系统。研究内容主要包括脸部表情处理、情感计算建模方法、情感语音处理、姿态处理、情感分析、自然人机界面、情感机器人等。

情境化是人机交互研究中的新热点。自然和谐的智能化的人机界面的沟通能力特征包括：⑴自然沟通：能看，能听，能说，能触摸；⑵主动沟通：有预期，会提问，并及时调整；⑶有效沟通：对情境的变化敏感，理解用户的情绪和意图，对不同用户、不同环境、不同任务给予不同反馈和支持。而实现这些特征在很大程度上依赖于心理科学和认知科学对人的智能和情感研究所取得的新进展。我们需要知道人是如何感知环境的，人会产生什么样的情感和意图，人如何做出恰当的反应，从而帮助计算机正确感知环境，理解用户的情感和意图，并做出合适反应。因此，人机界面的“智能”不仅应有高的认知智力，也应有高的情绪智力，从而有效地解决人机交互中的情境感知问题、情感与意图的产生与理解问题，以及反应应对问题。

显然，情感交流是一个复杂的过程，不仅受时间、地点、环境、人物对象和经历的影响，而且有表情、语言、动作或身体的接触。在人机交互中，计算机需要捕捉关键信息，觉察人的情感变化，形成预期，进行调整，并做出反应。例如，通过对不同类型的用户建模（例如，操作方式、表情特点、态度喜好、认知风格、知识背景等），以识别用户的情感状态，利用有效的线索选择合适的用户模型（例如，根据可能的用户模型主动提供相应有效信息的预期），并以适合当前类型用户的方式呈现信息（例如，呈现方式、操作方式、与知识背景有关的决策支持等）;在对当前的操作做出即时反馈的同时，还要对情感变化背后的意图形成新的预期，并激活相应的数据库，及时主动地提供用户需要的新信息。

情感计算是一个高度综合化的技术领域。通过计算科学与心理科学、认知科学的结合，研究人与人交互、人与计算机交互过程中的情感特点，设计具有情感反馈的人机交互环境，将有可能实现人与计算机的情感交互。迄今为止，有关研究已在人脸表情、姿态分析、语音的情感识别和表达方面取得了一定的进展。

目前情感计算研究面临的挑战仍是多方面的：⑴情感信息的获取与建模，例如，细致和准确的情感信息获取、描述及参数化建模，海量的情感数据资源库，多特征融合的情感计算理论模型；⑵情感识别与理解，例如，多模态的情感识别和理解；⑶情感表达，例如，多模态的情感表达（图像、语音、生理特征等），自然场景对生理和行为特征的影响；⑷自然和谐的人性化和智能化的人机交互的实现，例如，情感计算系统需要将大量广泛分布的数据整合，然后再以个性化的方式呈现给每个用户。

情感计算有广泛的应用前景。计算机通过对人类的情感进行获取、分类、识别和响应，进而帮助使用者获得高效而又亲切的感觉，并有效减轻人们使用电脑的挫败感，甚至帮助人们理解自己和他人的情感世界。计算机的情感化设计能帮助我们增加使用设备的安全性，使经验人性化，使计算机作为媒介进行学习的功能达到最佳化。在信息检索中，通过情感分析的概念解析功能，可以提高智能信息检索的精度和效率。

展望现代科技的潜力，我们预期在未来的世界中将可能会充满运作良好、操作容易、甚至具有情感特点的计算机。

这是计算机世界的一个尚未开发的前沿：将各种人类情感转化成实实在在的数据。

起源

虽然之前也有一些相关工作，但目前公认的情感分析比较系统的研究工作开始于（Pang et al, 2002）基于监督学习（supervised learning）方法对**评论文本进行情感倾向性分类和（Turney,2002）基于无监督学习（unsupervised learning）对文本情感情感倾向性分类的研究。Pang et al, 2002）基于文本的N元语法（ngram）和词类（POS）等特征分别使用朴素贝叶斯（Naive Bayes），最大熵（Maximum Entropy）和支持向量机（Support Vector Machine，SVM）将文本情感倾向性分为正向和负向两类，将文本的情感进行二元划分的做法也一直沿用至今。同时他们在实验中使用**评论数据集目前已成为广泛使用的情感分析的测试集。（Turney ,2002）基于点互信息（Pointwise Mutual Information，PMI）计算文本中抽取的关键词和种子词（excellent,poor）的相似度来对文本的情感倾向性进行判别（SO-PMI算法）。在此之后的大部分都是基于（Pang et al, 2002）的研究。而相对来说，（Turney et al,2002）提出的无监督学习的方法虽然在实现上更加简单，但是由于单词之间的情感相似度难以准确的计算和种子词的难以确定，继续在无监督学习方向的研究并不是很多的，但是利用SO-PMI算法计算文本情感倾向性的思想却被很多研究者所继承了

了解用户情感需求

差异化战略，与他人拉开差距

加强情感营销

情感营销：挖掘用户内心真实情感，了解其内在需求，以便对症下药，设计出用户满意的产品和迎合用户心意的营销方案

情感需求分析就是通过各种方法和手段捕捉用户内心情感方面的信息，并对此进行深度分析，得出用户个人情感差异和内在需求的insight,并以此作为“绘制”产品用户画像的核心，最后借助于这些有价值的用户情感洞察，企业可以进行产品的情感包装、情感促销、情感广告、情感口碑、情感设计等策略，实现产品的各项经营目标。

情感需求分析就是通过各种方法和手段捕捉用户内心情感方面的信息，并对此进行深度分析，得出用户个人情感差异和内在需求的insight,并以此作为“绘制”产品用户画像的核心，最后借助于这些有价值的用户情感洞察，企业可以进行产品的情感包装、情感促销、情感广告、情感口碑、情感设计等策略，实现产品的各项经营目标。

案例

《陈思成：北京爱情故事之后，是上海3p故事》

文章带着一股怒气，替被出轨的女生出气，行为具有感染力，容易引发共鸣，引起好感。

《你永远也叫不醒一个想犯贱的人》

例举案例，得出结论，说明每个人都有跳火坑的权利，看似在骂人，却有一种恨铁不成钢的感觉，感觉朋友在劝你，劝不动容易引起好感。身在迷局中的人会在这一刻感觉咪蒙就是知心的姐姐。

咪蒙的文章非常具有煽动性，唤起用户的情绪，喜欢咪蒙的用户会认为咪蒙是真性情，不喜欢的用户会认为利己，煽动打动的情绪。会把用户的主人公定义为直男癌，low逼等，用户会产生情感的认同

怎么做情感分析？

心理投射的分析方法

投射在心理学上指的是个人思想态度愿望情绪，性格等个体特征不自觉的反应与外界事物和他人的一种心理作用。由于投射的存在，可以从一个人对别人的看法以及自身的兴趣爱好来推测这个人真正的意图或心理特征。

投射的心理过程是无意识运行的结果，对于投射者来说，这个心理过程的发生是毫无觉知和悄无声息的。个体在选择、关注或喜好某事物时，常常不自觉地将隐藏在内心的冲突和欲望融入这些事物中，借助于事物带将其宣泄出来，即把个人的内心世界投射于所参与的事物中。而我们通过对他们的选择、关注或喜好的事物（标签）的分析，从而了解其内心真正的需求。

观察人的思想愿望等，分析出心理特征

为什么要掌握这一项技能？

因为只有知道用户的心理特征，才能用最有效的方式去打动，让粉丝喜欢并支持。

案例：正确投射的例子有王老吉。怕上火喝王老吉。成功男士一年要逛两次海澜之家。买房是为了搞定丈母娘。

心理投射在商业场景中的应用

在无声场景有一句话移动互联网技术正深度影响今天主流的思维。

行为模式和生活方式，小米，苹果等既是一种圈层标签也是在表达自我的态度，微信朋友圈发布一条信息会泄露手机屏幕。同样起到作用的有智能屏幕，游戏电视、iPhone都是我们理解世界的方式。

需要用户的兴趣图幅，使用场景的同时，深入挖掘他们内心的情感需求，以此为依据，为其量身定制设计产品和营销方案，由此由内而外的打动用户。

Censydiam用户动机分析模型

两个维度：自我适应和释放压抑

心理投射是一种分析用户内心情感内在需求的方法论。实现用户情感分析需要将外在的标签转化为更加有价值的用户情感洞察，需要心理工具营销界广泛的一种模型。

自我适应维度表明人们在处理个体与社会关系的态度；释放压力维度体现出个体在对抗自卑情节时的态度

在面临需求问题和解决策略时，归属群体和做独立的自我之间进行权衡，二者经常是此消彼长的关系。

垂直维度：描述的是人们作为个体存在面临需求问题使的解决策略。

遇到一个问题两种选择：一种释放，大胆追求。一种是压制克制自己的欲望，将自己的欲望，泯灭在人性当中。

· 释放内心欲望，积极享受

· 回归内心理性，克制欲望

· 表达成功自我，渴望赞美

· 寻找群体归属，从众和谐

人性特征：享乐释放：一个追求自我释放和享乐的人，会无所顾忌，会在生理上和心理上去最大限度的满足自己的需求和欲望。(晚上推个夜宵）

理性控制:一个极力克制自我情感需求和内心欲望的人，会缺乏激情，甚至是循规蹈矩，没有个人的生活主张。

能力地位：当一个人的行为主要由“能力/地位”支配时，他会由内而外的确认自己的成功，追求内在的从容和坚定，追求外化的绫罗绸缎和锦衣玉食。同时，ta也渴望得到他人的赞美，希望在社会中有属于自己的一席之地。

顺从归属：当一个人的行为主要由“顺从/归属”来主导的时候，ta会希望自己成为某个群体的一份子，渴望从群体中获得支持，加强自己的力量。同时，ta也会尽力去遵守群体中的规则，不会独立特行，剑走偏锋。

两辆象限有交集，催生新的4个象限

活力/探索：就如大科学家牛顿所说，“真理的大海，让未发现的一切事物躺卧在我的眼前，任我去探寻”，拥有活力/探索这一特质的人对这个世界充满了好奇，他们渴望从未知的世界中汲取新的情感，不断冲破自己的极限，挑战自我，获得激情、冒险和速度所带来的快感。

融合/沟通：处在这一象限中的人们，总是愿意融入集体，与大家进行开放式的沟通，分享自己的欢愉与快乐，“感情和睦，没有隔阂”是其他人与他们相处时的感受。

舒适/安全：处在这一象限中的人们，总是希望获得内心的平静、放松与安宁，希望自己被呵护、被关怀，很多时候会，他们会通过捕捉如烟往事中的美好时光而得到慰藉。

个性/独特： 处于这一象限的人们，在保持理性的情况下，极力想获得他人的注意，想凸显自己的与众不同，万众瞩目能带给他们极强的的优越感，但要注意的是，这点和“能力/地位”不尽相同，渴望获得“个性/独特”的人们并不会表现出较强的“侵略性”，不会有强势和控制倾向。

建立模型，了解用户类型，把用户画像往里套

用户画像：爱旅游 美食 IT数码 美女 娱乐 幽默搞笑 体育 明星 音乐 90后

怎么用维度描述用户的情感分析？

制表分析图：

最想了解：放行个体独特型以及活力型

针对三种类型的用户进行针对性策略

享乐释放：一个追求自我释放和享乐的人，会无所顾忌，会在生理上和心理上去最大限度的满足自己的需求和欲望。

活力/探索：就如大科学家牛顿所说，“真理的大海，让未发现的一切事物躺卧在我的眼前，任我去探寻”，拥有活力/探索这一特质的人对这个世界充满了好奇，他们渴望从未知的世界中汲取新的情感，不断冲破自己的极限，挑战自我，获得激情、冒险和速度所带来的快感。

个性/独特： 处于这一象限的人们，在保持理性的情况下，极力想获得他人的注意，想凸显自己的与众不同，万众瞩目能带给他们极强的的优越感，但要注意的是，这点和“能力/地位”不尽相同，渴望获得“个性/独特”的人们并不会表现出较强的“侵略性”，不会有强势和控制倾向。

(90后身份标签）群体特点，带入模型，得出结论。

针对群体，运营战略。

针对父母，可以推出托儿服务。

个性独特：差异性战略

关键是战术和战略要匹配。

产品角度上来说范围成本时间缺一质量就会受到影响。

（以上改编自运营社读书会10 了不起薛定谔）

文学|编辑

“产品具有好的功能是重要的;产品让人易学会用也是重要的;但更重要的是，这个产品要能使人感到愉悦。” 美国认知心理学家Donald Norman在2002年提出产品设计的”情感化“理念，随着“体验经济时代”来临，“情感化”业已成为当前互联网产品主要的设计趋势之一。从心理学角度分析，情感是人格的核心，产品真正的价值在于满足人们情感需求，带给人们内心愉悦的审美体验。我们应从“功能控“思维怪圈中出逃，将注意力转移到用户的情感化需求，将情感化设计融入到产品中，达到美感和可用性的统一，使”有魅力的物品更好用“。 那我们在设计时该如何进行情感化设计本文从情感化设计认知模型出发，解析引发愉悦情感化设计的元素。

1、情感与价值观具有相同的层次结构，且每一个层次之间具有相同的逻辑关系。

2、情感是对事物价值特性的间接反映，而价值观是对事物价值特性的直接反映。

3、情感是人对事物价值特性的相对性认识，而价值观是人对事物价值特性的绝对性认识。

4、由于事物的实际价值率会随着环境条件的变化而变化，因此人的情感通常是多变的；由于价值观所反映的事物的价值率通常基于正常的环境条件或平均的环境条件，因此人的价值观通常是相对稳定的。

5、人的中值价值率是一个相对稳定的值，其情感系统与价值观系统通常“平行”、“同向”地运动与变化。

6、人的情感在平时处于“沉寂”状态，以便于节省能量与价值，只有到了事物的价值率偏离主体的中值价值率时，人的情感才开始激发，而人的价值观则一直处于“觉醒”状态。

7、人的行为驱动力通常是通过情感为直接诱因产生的，价值观通常不直接为主体的行为和思维活动提供驱动力，而是通过影响人的情感来间接地对行为驱动力产生影响。

本次实验将继续加载两个数据，一个是已经标注好的用户评论数据，另外一个是用户评价主题句，通过标注过的用户评论数据研究不同粒度的用户评价处理对深度情感分析模型的性能的影响，并比较字符级模型在用户评价情感极性推理上的差异。

使用 Pandas 加载已经标注好的在线用户评论情感数据表格，并查看数据维度和前 5 行数据。

加载民宿评论数据，并打印第一行。

数据属性如下表所示

用户评论分词

jieba 分词器预热，第一次使用需要加载字典和缓存，通过结果看出返回的是分词的列表。

批量对用户评价进行分词，并打印第一行数据，处理过程需要一些时间。

将用户评论处理成字符级别，为字符级模型提供训练集，并打印第一行数据，此预处理速度远远快于分词速度。

TextCNN 使用的卷积神经网络是一个典型的空间上的深度神经网络，基于卷积神经网络的情感分析具有优秀的特征抽取能力，能显著降低情感分类中人工抽取特征的难度。这类方法又根据文本嵌入粒度的不同可以分为字符级嵌入和词嵌入两种，一种是以分词后的词为情感分析粒度，另一种为字符级粒度的情感分析粒度，最后一层将包含全文潜在信息的最终编码送入 Sigmoid 做情感强度计算，即可对用户评论进行情感极性推理，是目前在文本分类经常使用的模型。

词级别模型训练

按照训练集 8 成和测试集 2 成的比例对数据集进行划分。

词级 TextCNN 模型训练，设置 128 条数据为一个批次，2 轮模型训练，训练集中的 20% 作为验证集，并加入早停设置。

通过传入原始的标签和预测的标签可以直接将分类器性能进行度量，并对指标收集，包含：模型的训练时间、accuracy_score 表示被正确预测的样本占总样本的比例、f1_score 值表示精确率与召回率的调和平均数和模型标签。

对训练的模型进行加载，并打印网络结构。

设置固定划分数据集，划分比例为 02 即训练集是测试集的 4 倍量。

字符级别模型训练

字符级 TextCNN 模型训练，设置 128 条数据为一个批次，2 轮模型训练，训练集中的 20% 作为验证集，并加入早停设置。

对字符级 TextCNN 的预测结果进行收集。

GRU 属于 RNN（recurrent neural networks，循环神经网络)，是 LSTM 最流行的一个变体，比 LSTM 模型要简单，GRU 的门控单元减少了一个，GRU 与 LSTM 一样都是旨在解决标准 RNN 中出现的梯度消失问题，GRU 比 LSTM 在减少了计算量的条件下，做到了精度与 LSTM 持平，是目前在文本分类经常使用的模型。

我们使用函数定义的方式进行 GRU 模型的初始化。

对训练的模型进行加载，并打印网络结构。

词级别模型训练

词级 GRU 模型训练，设置 128 条数据为一个批次，2 轮模型训练，训练集中的 20% 作为验证集，并加入早停设置。

对训练的模型进行加载，并打印网络结构。

字符级别模型训练

将处理好的用户评论数据进行字符级处理即可输入字符级 GRU 模型训练，设置 128 条数据为一个批次，2 轮模型训练，训练集中的 20% 作为验证集，并加入早停设置。

对字符级 GRU 的测试集预测性能进行记录。

模型性能分析

通过控制参数变量的方式进行，并使用同样的数据集合观察性能指数测试结果。字符级能使用较小的字符级词典对语料的覆盖度更高，字符级预处理在测试集上的表现基本接近词级模型，并从耗时来看字符级都是最少的。TextCNN 架构总体高于 GRU 的准确度和综合值，并且训练时间相对较短。字符级语言建模的思想来自于信号处理，使用语言最小的文字单元去模拟复杂的语义关系，因为我们相信模型可以捕捉到这些语法和单词语义信息，在后续我们继续使用这种方式。

对用户评论数据预处理

对用户评论进行字符向量化。

情感极性推理

使用训练好的字符级 TextCNN 对用户评论进行情感预测，需要一些时间，请耐心等待。

使用训练好的字符级 GRU 对用户评论进行情感预测，需要一些时间，请耐心等待。

情感极性推理结果可视化

将两种字符级神经网络情感极性推理模型的结果取出来。

对全量的用户评论分别使用两个模型进行情感极性预测，并进行可视化，我们发现两种模型在全量的用户评论上的表现基本一致，字符级 TextCNN 在用户两极情感极性上表现更好。

未至科技魔方是一款大数据模型平台，是一款基于服务总线与分布式云计算两大技术架构的一款数据分析、挖掘的工具平台，其采用分布式文件系统对数据进行存储，支持海量数据的处理。采用多种的数据采集技术，支持结构化数据及非结构化数据的采集。通过图形化的模型搭建工具，支持流程化的模型配置。通过第三方插件技术，很容易将其他工具及服务集成到平台中去。数据分析研判平台就是海量信息的采集，数据模型的搭建，数据的挖掘、分析最后形成知识服务于实战、服务于决策的过程，平台主要包括数据采集部分，模型配置部分，模型执行部分及成果展示部分等。