情感效能名词解释

情感效能性就是指人的情感转化为行为驱动力的动力特性。

对于相同的情感强度，不同的人将会产生不同强度的行为驱动力：有些人情感反应很微弱但行为反应很强烈；有些人虽然情感反应很强烈，但往往只停留在情感的内心体验上，很少付诸行动。这种差异就是情感效能性上的差异，可以采用单位情感强度所产生的行为驱动力来区分。

那么，行为驱动力又怎样衡量呢？统一价值论认为，人的行为活动在本质上都是价值资源的投入产出过程，其规模或力度可以采用单位时间所投入的劳动价值量来衡量，因此可以对行为驱动力做出如下定义。

行为驱动力指人在某情感的驱动下单位时间所增加或减少投入的劳动价值量，称该情感所产生的行为驱动力，用Fn表示。

这里要注意两点，一是情感所产生的行为驱动力并不是指价值资源的总投入规模，只是指在原有投入规模的基础上增加或减少的投入规模，只有当原来的投入规模为零时，行为驱动力才等于现有的投入规模；二是劳动价值既可以是活的、直接的劳动价值，也可以是物化的、间接的劳动价值，它是一种间接的行为驱动力（或借助于外界的驱动力）。

　　情感的效能性

　　情感的内心体验无论是愉快的还是不愉快的，无论是强烈的还是微弱的，都只是情感的主观效应，都不是情感的客观目的。情感只有转化为实际的行为驱动力，并作用于一定的事物，使之产生价值增值，才具有实际的意义。情感的效能性就是指人的情感转化为行为驱动力的动力特性。

　　一、情感效能性的内涵

　　对于相同的情感强度，不同的人将会产生不同强度的行为驱动力：有些人情感反应很微弱但行为反应很强烈；有些人虽然情感反应很强烈，但往往只停留在情感的内心体验上，很少付诸行动。这种差异就是情感效能性上的差异，可以采用单位情感强度所产生的行为驱动力来区分。

　　那么，行为驱动力又怎样衡量呢？统一价值论认为，人的行为活动在本质上都是价值资源的投入产出过程，其规模或力度可以采用单位时间所投入的劳动价值量来衡量，因此可以对行为驱动力做出如下定义。

　　行为驱动力：人在某情感的驱动下单位时间所增加或减少投入的劳动价值量，称该情感所产生的行为驱动力，用Fn表示。

　　这里要注意两点：一是，情感所产生的行为驱动力并不是指价值资源的总投入规模，只是指在原有投入规模的基础上增加或减少的投入规模，只有当原来的投入规模为零时，行为驱动力才等于现有的投入规模；二是，劳动价值既可以是活的、直接的劳动价值，也可以是物化的、间接的劳动价值，它是一种间接的行为驱动力（或借助于外界的驱动力）。

　　二、情感效能系数的定义

　　情感的效能性可以采用情感效能系数来描述。那么能否直接用行为驱动力与情感强度的比值来定义情感效能系数呢？回答是否定的，因为经验表明，这样定义出来的情感效能系数对于一般人来说并不是一个常量，它会随着情感强度的增长而迅速提高，因而不便于对人的情感效能性做准确的比较和度量。

　　可以证明（从略）：人的行为驱动力只有与事物的价值率高差成正比时，才能最迅速而有效地进行价值资源的合理分配。再根据“情感强度第一定律”可知，情感强度与事物的价值率高差的对数成正比，则情感强度应该与行为驱动力的对数成正比，其比例系数反映了人的情感强度转化为行为驱动力的效能性，因此可以对情感效能系数做出如下定义。

　　情感效能系数：行为驱动力的对数与情感的强度之比值，称为该情感的效能系数，用Kn表示，即

　　Kn＝log（1＋|Fn|）/|μ| （2—2）

　　其中，μ表示情感强度，Fn表示行为驱动力。当情感强度与行为驱动力均为正值时，变换上式可得：

　　Fn＝exp(μ×Kn)－1 （2—3）

　　由此可见，当情感效能系数不变时，行为驱动力随着情感强度的增长而成指数增长。当μ＝0时，有Fn＝0，这表明当情感强度为零时，人就不再增加对该事物的价值投入规模；当情感强度为负值时，行为驱动力也为负值，此时，人将减少对该事物的价值投入规模。

　　三、情感强度性与效能性

　　根据情感效能系数的定义，再结合情感强度第一定律，上式可变换为：

　　Km×Kn＝log（1＋|Fn|）/ log（1＋|ΔP|）（2—4）

　　或者

　　（1＋|Fn|）＝（1＋|ΔP|）KIK （2—5）

　　其中，Km为情感强度系数，Kn为情感效能系数。

　　可以证明，当事物的价值率高差很小时，行为驱动力与事物的价值率高差成正比，即

　　Fn＝Km×Kn×ΔP （2—6）

　　可以看出，Km×Kn反映了人对于事物的价值率高差的行为反应关系，它由两部分构成：一部分是情感强度系数Km，它表示事物的价值率高差转化为情感强度的指数关系（或倍数关系）；另一部分是情感效能系数Kn，它表示情感强度转化为行为驱动力的指数关系（或倍数关系）。

　　行为反应系数：情感强度系数与情感效能系数之乘积称为行为反应系数，用KM。来表示，即

　　Km。＝Km×Kn （2—7）

　　在一定的社会环境里，人的行为反应系数应该维持在一个最佳状态，才能使自己的行为达到最佳的价值效应。当人的行为反应系数过大时，人对应于相同的价值率高差将会产生过大的行为驱动力，导致向该事物的价值投入速度增长过猛，容易产生“一轰而上”、“重复建设”、“盲目上马”等现象，其结果是该事物的价值率高差迅速下降，并在惯性的作用下转化为负的价值率高差，又迫使人形成负的行为驱动力来消除负的价值率高差，这个波动过程可能持续好几个回合才能结束，从而造成价值资源的巨大浪费；当人的行为反应系数过小时，人对应于相同的价值率高差将会产生过小的行为驱动力，导致向该事物的价值投入速度增长过慢，从而容易失去快速发展的好机遇。因此，对于一定的生产力发展水平，人的行为反应系数存在一个最佳值。一般来说，社会的开放程度越高，社会生产力的发展水平越高，价值资源的流动性越好，社会的最佳行为反应系数就越大。

　　在一定的社会历史条件下，人为了使自己的行为反应系数维持在最佳状态，往往在自己的情感强度系数较大时就把情感效能系数调得较小，往往在自己的情感强度系数较小时就把情感效能系数调得较大，其结果是：有些人的情感反映很强烈，但行为反应不显著，他们通常“雷声大，雨点小”；有些人情感反映不强烈，但行为反应比较显著，他们通常“雷声小，雨点大”。

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。