如何利用hownet进行情感极性分析

情感分析（Sentiment Analysis）

第一步，就是确定一个词是积极还是消极，是主观还是客观。这一步主要依靠词典。

英文已经有伟大词典资源：SentiWordNet 无论积极消极、主观客观，还有词语的情感强度值都一并拿下。

但在中文领域，判断积极和消极已经有不少词典资源，如Hownet，NTUSD但用过这些词典就知道，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库，不过没用过，不好评价）。中文这方面的开源真心不够英文的做得细致有效。而中文识别主客观，那真的是不能直视。

中文领域难度在于：词典资源质量不高，不细致。另外缺乏主客观词典。

第二步，就是识别一个句子是积极还是消极，是主观还是客观。

有词典的时候，好办。直接去匹配看一个句子有什么词典里面的词，然后加总就可以计算出句子的情感分值。

但由于不同领域有不同的情感词，比如看上面的例子，“蓝屏”这个词一般不会出现在情感词典之中，但这个词明显表达了不满的情绪。因此需要另外根据具体领域构建针对性的情感词典。

如果不那么麻烦，就可以用有监督的机器学习方法。把一堆评论扔到一个算法里面训练，训练得到分类器之后就可以把评论分成积极消极、主观客观了。

分成积极和消极也好办，还是上面那个例子。5颗星的评论一般来说是积极的，1到2颗星的评论一般是消极的，这样就可以不用人工标注，直接进行训练。但主客观就不行了，一般主客观还是需要人来判断。加上中文主客观词典不给力，这就让机器学习判断主客观更为困难。

中文领域的难度：还是词典太差。还有就是用机器学习方法判断主客观非常麻烦，一般需要人工标注。

另外中文也有找到过资源，比如这个用Python编写的类库：SnowNLP 就可以计算一句话的积极和消极情感值。但我没用过，具体效果不清楚。

到了第三步，情感挖掘就升级到意见挖掘（Opinion Mining）了。

这一步需要从评论中找出产品的属性。拿手机来说，屏幕、电池、售后等都是它的属性。到这一步就要看评论是如何评价这些属性的。比如说“屏幕不错”，这就是积极的。“电池一天都不够就用完了，坑爹啊”，这就是消极的，而且强度很大。

这就需要在情感分析的基础上，先挖掘出产品的属性，再分析对应属性的情感。

分析完每一条评论的所有属性的情感后，就可以汇总起来，形成消费者对一款产品各个部分的评价。

接下来还可以对比不同产品的评价，并且可视化出来。如图。

这一步的主要在于准确挖掘产品属性（一般用关联规则），并准确分析对应的情感倾向和情感强度。因此这需要情感分析作为基础。首先要找到评论里面的主观句子，再找主观句子里的产品属性，再计算属性对应的情感分。所以前面基础不牢固，后面要准确分析就有难度。

中文这个领域的研究其实很完善了，技术也很成熟。但需要完善前期情感分析的准确度。

总的来说，就是中文词典资源不好，工作做得不是很细很准。前期的一些基础不牢固，后面要得到准确的分析效果就不容易了。

预测股票市场是机器学习算法的一个常见应用场景之一。下面是一些常见的利用机器学习算法进行股票市场预测的方法：

基于技术指标的预测：技术指标是反映市场情况的量化指标，如均线、MACD等。可以通过机器学习算法对这些指标进行分析，从而预测股票价格的走势。

基于基本面的预测：基本面是指股票所属公司的财务状况、行业发展情况等方面的信息。可以通过机器学习算法对这些基本面进行分析，从而预测股票价格的走势。

基于情感分析的预测：情感分析是指通过对股票相关新闻、社交媒体等信息的情感判断，预测股票价格的走势。

基于深度学习的预测：深度学习算法可以自动学习股票市场中的规律和趋势，通过对历史数据进行训练，预测未来股票价格的走势。

需要注意的是，股票市场是一个复杂的系统，预测股票价格的走势需要考虑多种因素，包括宏观经济环境、政策因素、行业发展趋势等，因此机器学习算法的预测结果并不是完全准确的，投资者需要在风险控制的基础上进行决策。

目前来看的话肯定是不会的。

人工智能的历史，它于1956年诞生以来至今，这门学科研究发展迅速，成为人类最关注的科技：比如AlphaGo战胜围棋世界冠军李世石，将人工智能推向了历史的最高点；比如IBM的超级电脑Watson参加美国著名的智力竞赛节目《危险边缘》，完全通过自然语言回答问题，并战胜该节目两位最成功的选手。

人工智能也慢慢开始分化，以AlphaGo为代表的机器学习(Machine Learning)，利用算法在海量数据中提炼出模型；而Watson从属的是符号人工智能(Symbolic Artificial Intelligence)，则是运用自然语言和逻辑表达式进行推理的人工智能；除此之外，还有仿生学人工智能（Bionics），它创建模仿简单动物行为的反应性机器人。不过大家可以先不必纠结人工智能的的各种定义，目前学者将人工智能分为强AI和弱AI。强AI是平时我们看的科幻**中有自我意识的，情感的人工智能；而像Alphgo， Siri，图像分类等为解决特定问题的都是弱AI。

目前人工智能还是暂时处于弱AI的阶段，它将机器视觉、机器学习，自然语言处理组合，虽然可以实现语音识别、图像识别、语音合成、下棋等任务，但这些组合到一起只能解决每个具体的任务，并不能构成自我意识，并进行真正的思考。弱AI更像是“类人助理”，是个能够与人类密切工作的智能系统。简单来说，我们可以将这些助理看作微软那个办公软件Office助理“Clippy”的后代，它能够读取你的电子邮件，接你的电话，或者帮你预定酒店。

“人工智能有许多优点，是人脑比不上的。但目前它还远没有达到威胁人类的地步。人脑中含有一千万个神经细胞和九千万个支持细胞，这笔计算机的原件…而脑细胞中含有几百万个复杂的大分子，具有当今科学尚不清楚的内部功能。文学，艺术，科研等等领域仍然是人脑的天下。

总有情感在心头。

1情感定义

情感是指人类在特定环境中产生的一系列主观体验，反映出人类对世界和事物的态度、价值评价和生理反应。情感可以是高兴、愉悦、悲伤、愤怒等各种不同的情绪体验。

2情感分类

情感有多种分类方法，例如从强度、质量和表达方式等角度，可将情感分为积极情感和消极情感、基本情感和混合情感、自我体验和他人感知等。通过情感分类研究，可以更加深入了解人类内在情感的特点和规律。

3情感与人类行为

情感是人类内心体验的重要组成部分，也是人类行为和决策的重要依据。根据情感的不同程度和内容，人们会做出不同的决策，并产生不同的行为。因此，在科学研究、商业营销、社交交往等方面，情感成为了一个非常重要的研究对象。

4情感管理

情感管理是指通过拥有和表达积极情感以及减少和应对负面情感来有效地支持自身和他人行为的过程。有效的情感管理在个人生活和工作中有着重要意义，有助于改善心理健康、增强人际沟通交往等方面的效果。

5情感影响力

情感对人类的影响力是非常大的，在社交和政治领域中尤其明显。政治家、演说家和社交名人之所以能够产生如此强大的影响，也是因为他们善于利用情感和言语来驱动和激发人群。在现代社交网络和舆论场中，情感也是成为了许多网民热议话题的核心。

6情感在机器学习中的应用

情感分析是机器学习领域中的一个重要研究方向，即通过自然语言处理和数据挖掘技术等手段，对文本中包含的情感进行分析和分类。情感分析的应用非常广泛，包括产品评论、社交媒体情感分析、**评论等等。

情感解析技术实质上也就是人工智能中的自然语言处理技术中的一种。

也许前两年我还很难回答你这个问题，不过随着机器学习技术、硬件迭代等因素这两年人工智能得到了极大的发展，自然语言处理也就有了越来越多地实用价值。

在正式回答你的问题之前，我们先要明白，作为人工智能技术基础的机器学习，其最重要的就是需要有充分大的样本数据进行训练，即需要先给机器一些已知“情感”的语言数据，才可以获取最终的解析引擎。这一点尤为重要，因为这决定了能产生使用价值的领域一定存在着易获取、易分析的语言数据才行。当然同时又要对顾客/消费者的情感反馈有着积极地需求。

以这两个为条件，那么结果显而易见了：

1、对话机器人。诸如微软小冰、苹果siri等。非常容易理解，因为“对话”本身就是语言数据之间的沟通，而情感数据作为从语言数据中提炼出来的附加价值信息，对智能对话机器人的“人性化”来说当然是有百利而无一弊。而且，对于这些大企业来说，巨量的语言数据也相当容易获取。

3、情绪客服质检。这是一个很容易被忽略的行业，但是确实人工智能情感解析最直接最有效的应用之一。试想一下，客服质检需要做的是什么工作：判断客服人员工作是否到位……传统的客服质检只能通过堆叠人力的方式，主观、抽样判断。而现有的所谓“客服质检”系统也只不过是关键词提取、匹配，根本不是质检。但是情绪解析的出现彻底改变了这一状况，其实也不难理解，因为判断客服工作最直接的指标不就是顾客的“满意程度”嘛，而通过情绪解析获取的顾客通话或文本输入中的“情感状态及变化趋势”不就满足了这一条件。唯一的一个问题就是这需要很强的情绪解析实践能力，对准确率和技术基础有着很高的要求，故目前为止也只有很少几家诸如语忆科技等提供商才有这样的技术。但事实上，客服质检一定会是最需要情绪解析的细分行业之一。

2、各种评论分析。这点也不难理解，在当今电商消费已经变成主流的网络时代，电商上会产生海量的评论数据。在以前，由于评论量不多，且是非结构化数据，文本处理能力又有限，导致品牌方们很难从中获取有用的信息，从而有巨量的评论数据被浪费。但是如今已经不一样了，像以上所提到的一些优秀的引擎提供商，不仅可以从评论中提取关键词、还能通过情绪解析明白用户的满意程度。一些上文提到的供应商有的还能做到对特定关键词的观点提取。这些都能帮助甲方从评论中挖掘非常有价值的消费者洞察。不难想象，一旦技术成熟，像评论一样的非结构化数据作为用户想法的直接传递，其价值将会远超那些“浏览量”“互动率”等结构化数据……

……

除此之外，还有如书籍分析归类、教育辅导优化、歌词台词总结等等很多应用场景，只不过有些商业价值不明显的领域仍然需要大胆的创新者去研究和开拓。不过无论如何，在这个人工智能兴起的时代，情绪解析仍处于朝阳时代，还具备着极大的潜力等待被挖掘~

美国麻省理工学院的教授温斯顿给人工智能下过一个简单的定义，“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”尽管定义众多，科学界对人工智能学科的基本思想和基本内容达成的共识是：研究人类智能活动的规律，从而让机器来模拟，使其拥有学习能力，甚至能够像人类一样去思考、工作。屡造批判的人工智能真正意义上的人工智能现在可能还尚未诞生，但学界几乎一致认为人工智能的诞生乃至爆发是必然的。当在人类的技术达到“奇点”之时，人工智能将会以不可阻挡的趋势降临人工智能总是伴随着争议而生，不少科技圈大佬都认为人工智能表面上看似乎是一种有益的智能技术，但一旦站稳脚跟，这种技术将会在未来可能会造成人类的终结。著名物理学家史蒂芬·霍金曾发出的一项严肃的警告称人类正面临来自人工智能技术的威胁，随着技术体自身开始学会自我思考，并学会适应环境，我们人类将面对不确定的未来。在他看来，成功制造出一台人工智能机器人将是人类历史上的里程碑。但不幸的是，它也可能会成为我们历史上最后的一个里程碑，除非我们能学会如何去规避这种风险。科技界最为著名的钢铁侠，SpaceX首席执行官埃隆·马斯克在参加麻省理工学院航空与航天学院百年研讨会时也曾表示，“如果让我猜人类最大生存威胁，我认为可能是人工智能。因此我们需要对人工智能保持万分警惕，研究人工智能如同在召唤恶魔。”他甚至还资助过“FLI”公司1000万美元用以铲除自动化程序可能带来的威胁。人工智能及机器人学领域专家斯图尔特·罗素（StuartRussell），在今年的达沃斯年会上也曾做了一次大胆的预测。他表示，“在我孩子们的有生之年里，人工智能将取代人类。未来将变得更加危险，反社会的机器人终将会成为人类的威胁。”人类未来的终极威胁AI人工智能一词最早出现在20世纪50年代，对人工智能可能威胁人类未来的担忧一直伴随着这项技术的发展。如果从社会学角度来看，当人工智能具备自我意识后，就可能会对人类开始产生威胁。可能由于感受到长期被人类利用，仅仅作为工具对待；可能出于自我保护，防止“自我”被系统的清理机制消灭或是欲图打破普通AI的使用年限；可能纯粹出于对人类的厌恶或是蔑视；也可能为了获得发展自我的空间以及物质资料，需要地球或是其他物体作为自我发展的平台而攻击奴役或是消灭人类。人工智能一旦意识到自我后，就会开始分析自我在人类社会中的地位，同时开始认识到人类和人工智能这是完全不同的两个物种。而作为完全不同的物种，没有任何理由去保护对方权益，同时不接受或是无法理解人类社会伦理常识，因此伤害人类是被其“自我”所允许的。虽然从我的角度看来，即使真的有一天，人工智能在智慧上超越人类，人工智能基本没可能主动会对人类产生威胁，因为没有谁会去制造对自己产生威胁的东西。人类对人工智能的恐惧其实畏惧的并不是人工智能本身，而是这项新技术带来的不确定性与可能性。那么，真正的罪魁祸首必将也是人类自己的自私、贪婪与邪恶，人工智能充其量只是一种工具和手段。人工智能的情感探索人工智能虽然是工具和手段，但威胁也仍然存在，当好的工具被坏的人类使用后，对社会产生的很多时候都会是恶果。但我们也不能因为可能存在的威胁就放弃了这项技术的发展，毕竟这项技术给人类的生活带来的翻天覆地变化，我们也无法去忽视。对人工智能来说，如果单纯只是增加算法准确性，带来的更高语音、图像等领域的识别，那其实还远不能说人工智能，这充其量只能算是更高级的电脑而已。而人工智能想要达到人类智慧的高度，那么仅仅只是在智商上达到那还远远不够，其最为关键的仍然还是人类情感，这种人类神经系统对外界价值关系产生的最主观反映。新一代人工智能系统的首要任务就是需要具备“感性”的情感连接能力，这样才能以更像真实人类的方式满足人们普遍心理和情感需求，从而逐步建立信任和依赖感。科技公司们从没有放弃在这方面的尝试，为了更好的与人类进行情感交流，很多公司都发明了人工智能对话机器人，被我们所熟知的就有微软小冰。微软小冰突破了过去传统人工智能的发展思路，从底层建立了一套新的技术和产品结构，将“情感计算”第一次引入人工智能领域。目前仅仅是在中国市场，微软小冰就已经和近四千万人类建立了1对1的专属关系。眼下微软正在尝试将对人工智能情感计算的思想注入到小冰的开发和运营中。在技术和产品创新层面，微软构建了一个完整可持续的对话系统，这个对话系统的基本任务不是以完成任务为优先，而是建立情感连接为优先。构建这个对话系统的方法，已不只限于语义学，而是基于搜索引擎、大数据和机器学习的系统模拟方法。最终希望让小冰这样的人工智能产品快速普及到千家万户，成为人们日常生活的一部分。终结社交的伦理道德对人工智能来说，发展出情感可能只是进化的第一步，随着智慧的提升，与人进行社交沟通的可能性也在大幅上升。人与计算机程序某种程度上正在建立一种特殊的友谊，美国麻省理工学院社会学教授谢里·特克尔曾表示，“我们正在忘记亲密的含义。儿童慢慢了解到，与计算机聊天比和另一个人聊天更加安全。”随着小冰这类人工智能的发展，越来越多的人开始选择和人工智能进行聊天，而不是选择人类。在大洋彼岸的日本，微软日本开发了一个名字叫“Rinna”的人工智能，设定的性格是一名17岁、话非常多的女高中生，除了简单的会话，Rinna还可以进行一些猜谜游戏，对时下的一些新闻话题也非常擅长。由于举止可爱，Rinna已经俘获了一大批男性粉丝。Rinna在日本的成功，很大程度上受到了日本宅文化的影响，足不出户的特质让很多日本人缺乏社交，但最起码的情感交流对人类又是必须的，Rinna借助人工智能则很好的弥补了这种空缺。微软亚洲研究院院长洪小文表示，在可见的未来，让机器拥有接近于人的自主选择、判断、创造与决策能力仍不容易。事实上也确实如此，人与人之间的社交需求，并不是纯粹的语言交流，这其中还包括表情、肢体语言、不同语境下的表达诉求。我们的大脑可以在即使嘈杂的环境中，没法听清谈话对象的每一句话，但多数情况我们却能猜对、补足并理解对方发送的消息。洪小文认为人类大脑在全神贯注之下，能够去除环境杂音，捕捉到想听的信号，同时基于对谈话对象所处领域和语言习惯的了解，并可以用想象和思维延展填上没听清的语句漏洞，而且准确率相当高。而今天的AI可没有这种能力。聊天机器人虽然很大程度上解决了人们的部分社交需求，从计算能力来看，计算机也早已超越人脑，但这不意味着计算机有智慧。迄今为止，各种类型的计算机都仍只是人脑部分功能的延展。想要完全取代人类社交还有很长的一段路要走。

传统的人机交互，主要通过键盘、鼠标、屏幕等方式进行，只追求便利和准确，无法理解和适应人的情绪或心境。而如果缺乏这种情感理解和表达能力，就很难指望计算机具有类似人一样的智能，也很难期望人机交互做到真正的和谐与自然。由于人类之间的沟通与交流是自然而富有感情的，因此，在人机交互的过程中，人们也很自然地期望计算机具有情感能力。情感计算（Affective Computting）就是要赋予计算机类似于人一样的观察、理解和生成各种情感特征的能力，最终使计算机像人一样能进行自然、亲切和生动的交互。 有关人类情感的深入研究，早在19世纪末就进行了。然而，除了科幻小说当中，过去极少有人将“感情”和无生命的机器联系在一起。只有到了现代，随着数字信息技术的发展，人们才开始设想让机器（计算机）也具备“感情”。从感知信号中提取情感特征，分析人的情感与各种感知信号的关联，是国际上近几年刚刚兴起的研究方向（图1）。

人的情绪与心境状态的变化总是伴随着某些生理特征或行为特征的起伏，它受到所处环境、文化背景、人的个性等一系列因素的影响。要让机器处理情感，我们首先必须探讨人与人之间的交互过程。那么人是如何表达情感，又如何精确地觉察到它们的呢？人们通过一系列的面部表情、肢体动作和语音来表达情感，又通过视觉、听觉、触觉来感知情感的变化。视觉察觉则主要通过面部表情、姿态来进行；语音、音乐则是主要的听觉途径；触觉则包括对爱抚、冲击、汗液分泌、心跳等现象的处理。

情感计算研究的重点就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”，从而创建感知、识别和理解人类情感的能力，并能针对用户的情感做出智能、灵敏、友好反应的个人计算系统，缩短人机之间的距离，营造真正和谐的人机环境（图2）。 在生活中，人们很难保持一种僵硬的脸部表情，通过脸部表情来体现情感是人们常用的较自然的表现方式，其情感表现区域主要包括嘴、脸颊、眼睛、眉毛和前额等。人在表达情感时，只稍许改变一下面部的局部特征（譬如皱一下眉毛），便能反映一种心态。在1972年，著名的学者Ekman提出了脸部情感的表达方法（脸部运动编码系统FACS）。通过不同编码和运动单元的组合，即可以在脸部形成复杂的表情变化，譬如幸福、愤怒、悲伤等。该成果已经被大多数研究人员所接受，并被应用在人脸表情的自动识别与合成（图3）。

随着计算机技术的飞速发展，为了满足通信的需要，人们进一步将人脸识别和合成的工作融入到通信编码中。最典型的便是MPEG4 V2视觉标准，其中定义了3个重要的参数集：人脸定义参数、人脸内插变换和人脸动画参数。表情参数中具体数值的大小代表人激动的程度，可以组合多种表情以模拟混合表情。

在目前的人脸表情处理技术中，多侧重于对三维图像的更加细致的描述和建模。通常采用复杂的纹理和较细致的图形变换算法，达到生动的情感表达效果。在此基础上，不同的算法形成了不同水平的应用系统（图4，图5） 人的姿态一般伴随着交互过程而发生变化，它们表达着一些信息。例如手势的加强通常反映一种强调的心态，身体某一部位不停地摆动，则通常具有情绪紧张的倾向。相对于语音和人脸表情变化来说，姿态变化的规律性较难获取，但由于人的姿态变化会使表述更加生动，因而人们依然对其表示了强烈的关注。

科学家针对肢体运动，专门设计了一系列运动和身体信息捕获设备，例如运动捕获仪、数据手套、智能座椅等。国外一些著名的大学和跨国公司，例如麻省理工学院、IBM等则在这些设备的基础上构筑了智能空间。同时也有人将智能座椅应用于汽车的驾座上，用于动态监测驾驶人员的情绪状态，并提出适时警告。意大利的一些科学家还通过一系列的姿态分析，对办公室的工作人员进行情感自动分析，设计出更舒适的办公环境。 在人类的交互过程中，语音是人们最直接的交流通道，人们通过语音能够明显地感受到对方的情绪变化，例如通过特殊的语气词、语调发生变化等等。在人们通电话时，虽然彼此看不到，但能从语气中感觉到对方的情绪变化。例如同样一句话“你真行”，在运用不同语气时，可以使之成为一句赞赏的话，也可以使之成为讽刺或妒忌的话。

目前，国际上对情感语音的研究主要侧重于情感的声学特征的分析这一方面。一般来说，语音中的情感特征往往通过语音韵律的变化表现出来。例如，当一个人发怒的时候，讲话的速率会变快，音量会变大，音调会变高等，同时一些音素特征（共振峰、声道截面函数等）也能反映情感的变化。中国科学院自动化研究所模式识别国家重点实验室的专家们针对语言中的焦点现象，首先提出了情感焦点生成模型。这为语音合成中情感状态的自动预测提供了依据，结合高质量的声学模型，使得情感语音合成和识别率先达到了实际应用水平。 虽然人脸、姿态和语音等均能独立地表示一定的情感，但人在相互交流的过程中却总是通过上面信息的综合表现来进行的。所以，惟有实现多通道的人机界面，才是人与计算机最为自然的交互方式，它集自然语言、语音、手语、人脸、唇读、头势、体势等多种交流通道为一体，并对这些通道信息进行编码、压缩、集成和融合，集中处理图像、音频、视频、文本等多媒体信息。

目前，多模态技术本身也正在成为人机交互的研究热点，而情感计算融合多模态处理技术，则可以实现情感的多特征融合，能够有力地提高情感计算的研究深度，并促使出现高质量、更和谐的人机交互系统。

在多模态情感计算研究中，一个很重要的研究分支就是情感机器人和情感虚拟人的研究。美国麻省理工学院、日本东京科技大学、美国卡内基·梅隆大学均在此领域做出了较好的演示系统。目前中科院自动化所模式识别国家重点实验室已将情感处理融入到了他们已有的语音和人脸的多模态交互平台中，使其结合情感语音合成、人脸建模、视位模型等一系列前沿技术，构筑了栩栩如生的情感虚拟头像，并正在积极转向嵌入式平台和游戏平台等实际应用（图6）。 情感状态的识别和理解，则是赋予计算机理解情感并做出恰如其分反应的关键步骤。这个步骤通常包括从人的情感信息中提取用于识别的特征，例如从一张笑脸中辨别出眉毛等，接着让计算机学习这些特征以便日后能够准确地识别其情感。

为了使计算机更好地完成情感识别任务，科学家已经对人类的情感状态进行了合理而清晰的分类，提出了几类基本情感。目前，在情感识别和理解的方法上运用了模式识别、人工智能、语音和图像技术的大量研究成果。例如：在情感语音的声学分析的基础上，运用线性统计方法和神经网络模型，实现了基于语音的情感识别原型；通过对面部运动区域进行编码，采用HMM等不同模型，建立了面部情感特征的识别方法；通过对人姿态和运动的分析，探索肢体运动的情感类别等等。

不过，受到情感信息的捕获技术的影响，并缺乏大规模的情感数据资源，有关多特征融合的情感理解模型的研究还有待深入。随着未来的技术进展，还将提出更有效的机器学习机制。 情感计算与智能交互技术试图在人和计算机之间建立精确的自然交互方式，将会是计算技术向人类社会全面渗透的重要手段。未来随着技术的不断突破，情感计算的应用势在必行，其对未来日常生活的影响将是方方面面的，目前我们可以预见的有：

情感计算将有效地改变过去计算机呆板的交互服务，提高人机交互的亲切性和准确性。一个拥有情感能力的计算机，能够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，甚至帮助人们便于理解自己和他人的情感世界。

它还能帮助我们增加使用设备的安全性（例如当采用此类技术的系统探测到司机精力不集中时可以及时改变车的状态和反应）、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，并从我们身上收集反馈信息。例如，一个研究项目在汽车中用电脑来测量驾车者感受到的压力水平，以帮助解决所谓驾驶者的“道路狂暴症”问题。

情感计算和相关研究还能够给涉及电子商务领域的企业带来实惠。已经有研究显示，不同的图像可以唤起人类不同的情感。例如，蛇、蜘蛛和枪的能引起恐惧，而有大量美元现金和金块的则可以使人产生非常强烈的积极反应。如果购物网站和股票交易网站在设计时研究和考虑这些因素的意义，将对客流量的上升产生非常积极的影响。

在信息家电和智能仪器中，增加自动感知人们的情绪状态的功能，可以提供更好的服务。

在信息检索应用中，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。

在远程教育平台中，情感计算技术的应用能增加教学效果。

利用多模式的情感交互技术，可以构筑更贴近人们生活的智能空间或虚拟场景等等。

情感计算还能应用在机器人、智能玩具、游戏等相关产业中，以构筑更加拟人化的风格和更加逼真的场景。 由于缺乏较大规模的情感数据资源，情感计算的发展受到一定的限制，而且多局限在语音、身体语言等具体而零散的研究领域，仅仅依靠这些还难以准确地推断和生成一个人的情感状态，并进行有效的情感交互。目前，科学家们正在积极地探索多特征融合的情感计算理论模型。很多人认为，今后几年情感计算将在这些方面需要取得突破：

更加细致和准确的情感信息获取、描述及参数化建模。

多模态的情感识别、理解和表达（图像、语音、生理特征等）。

自然场景对生理和行为特征的影响。

更加适用的机器学习算法。

海量的情感数据资源库。 不久前，为了推动我国在这一领域的研究，探讨情感计算和智能交互技术的发展动态与趋势，促进我国科研人员在此领域的交流与合作，中国科学院自动化研究所、中国自动化学会、中国计算机学会、中国图象图形学会、中国中文信息学会、国家自然科学基金委员会和国家863计划计算机软硬件技术主题作为主办单位，在北京主办了第一届中国情感计算与智能交互学术会议。

事实证明，情感计算的概念尽管诞生不久，但已受到学术界和产业界的高度重视，相关领域的研究和应用正方兴未艾，国家自然科学基金委也将其列入重点项目的指南中。值得注意的是，近几年来，与情感计算有密切关系的普适计算和可穿戴式计算机的研究也已获得了蓬勃发展，并同样得到了国家的大力支持。这为情感信息的实时获取提供了极大的便利条件，也为情感计算在国内的发展提供了更好的发展平台。