人本主义设计：同理心地图

概要

小说家，演员和医生都有”独特的，神奇的能够进入另一个人身体内的经历”，许多作家必须进入所描写那个人的身体里，进入他的每寸皮肤中，并通过他的眼睛看世界，通过他的感官去感受世界。我们把这种代入到他人世界中体会别人视野和感官的方式叫做同理心。

为了将同理心的要素可视化，便于整理，总结，修改，更好的让团队中的更多人进行同理心思考，于是有了同理心地图这一工具。

同理心地图是一种展现用户的想法和感受，以及用户所说所为的表达工具。通过完成同理心地图并代入到用户，我们可以获取用户需求、目标、痛点。通过想象力，让用户画像在具体业务流程上真正“动起来”。

同理心地图的形式

典型的同理心地图背景版面

同理心地图由背景版面和黏贴在背景版面上的便利贴组成。围绕一个场景，描述从用户画像中总结出的单个典型用户在场景下的行为和想法。

同理心地图背景板分为四到五个象限，每个象限中，通过黏贴便利贴的形式，逐条描述单个典型用户在特定时间接受到的感觉。这里的典型用户可以是在用户画像中创建的用户。

背景板上的象限维度的选择基于具体业务，可从下列维度中选取：

思考——用户在什么时间想什么，以手游产品为例：“开场动画阶段：这些无关紧要的赶紧跳过吧，不想等”

情感——用户的情绪状态，以手游产品为例：“物品栏：有些物品怎么这么难选中，什么破游戏好生气”

操作——用户的行为，以手游产品为例：“注册界面：无视注册新用户，点击微信登录”

视觉——用户目光的聚焦点，以手游产品为例：“主界面：被充值返现的活动图表吸引”

语言——用户在体验服务/产品时会说的话，包括自言自语

在底部空白的地方可以记录：

问题——任何让用户停顿或者感到不快的因素。

目标——用户就此事的目标是什么

接下来以20岁男性大学生的商场购物体验为例，提供一个同理心地图分析案例：

问题：

其实不同业务场景下，象限维度也不止有上述举例的这些。以经营**院为例，会有哪些同理心地图的潜在象限维度？

同理心地图的应用

同理心地图可以聚焦问题解决的产品策略，揭示哪些问题需要我们解决，如何解决它们。

1在确定完业务大方向和用户群体后，即业务具体规划的起始阶段适合第一次运用同理心地图。

运用真实数据或者访谈结果，同理心地图才能具备有效性。在开始制作同理心地图以前，首先你应该先完成初步的用户调查（比如5个用户访谈，100份调查问卷等）。如果时间紧张，可以压缩访谈量，但不建议在毫无用户数据或者访谈的情况下制作同理心地图。

早期的同理心地图，作为从用户画像角度考虑业务的工具，进入用户角度体验问题流程，会产生“多米诺骨牌效应”，影响产品需求，影响整个产品为后续设计，为产品\服务中包括但不限于“线框图，样品，原型，人员岗位设置”带来启发。

2在完成产品初步设计，并完成可用性测试后

完成过一次可用性测试并收到反馈后，重新站在受访者角度走一边流程，特别关注同理心地图中的象限，体会可用性测试中受访者的种种细微反应，并据此重新优化或更新同理心地图。这有助于更加透彻的理解可用性测试受访者背后的动机，发现之前设计中的不便与疏忽。

同理心地图的制作过程

这里举个实例：优化头等舱乘客在登机前的体验

1首先总结现有解决方案的流程：

订购机票，绕过长队进入头等舱值机柜台与安检通道，托运行李后进入头等舱专属候机室，服务员提醒登机时间快到了，绕过长队从头等舱专用入口进入机舱

2抽取思考，情感，操作，视觉作为维度，并围绕这些维度进行访谈。

3将上述流程和受访者分享，询问流程完整性，并就流程中的每一步进行场景还原，询问思考，情感，操作，视觉方面的细节。以第一步订购机票为例，你就可以这么问：当你需要订购机票，你会自己订还是让秘书订？有没有临时改签机票的情况发生过，当时体验怎么样

4用便利贴总结用户访谈中的受访者反应，并贴到同理心地图中合适的位置。有选择的针对特定反应进行回访，了解在访谈中没有询问的细节。

5完成上述工作后，全身心的将自己沉浸在一个发自内心出于本能的体验当中，想象你的典型用户会如何思考和感受。

总结

同理心地图是一种展现用户的想法和感受，以及用户所说所为的表达工具。

在设计早期和可用性测试后都可以使用该工具

同理心地图由便利贴和版面组成，版面的维度可以自行定制。

反思

假设你是一家考研或英语培训机构的招生负责人，从你本次课堂上的同班同学中找寻至少2名潜在用户并进行访谈，尝试用幻灯片制作工具，为你的潜在用户绘制同理心地图。

清华大学彭凯平

爱是一种复合情绪

1 什么是情绪： 情绪是一种躯体和精神上的复杂的变化模式，包括生理唤醒、感觉、认知过程以及行为反应，是对个人知觉到的独特处境的反应。

2 情绪是感情的过程，是个体需要与情境作用的过程

3  情景性，机动性，暂时性

4  情感具有稳定的，持续的，深刻的，社会意义的感情。

5 情绪的功能：

- 激发心理能量

- 心理活动的组织者

  - 人际交流的工具和手段

          - 连接群体的纽带

情绪的心理学研究

James-Lange 情绪理论 （William James / Carl Georg Lange )

人类的情绪，是对外周植物性神经系统的一种反应。

詹姆斯—兰格理论：基本观点是，即情绪刺激引起身体的生理反应，而生理反应进一步导致情绪体验的产生。

不同观点认为， 不同的情绪反应有相同的神经生理变化

坎农—巴德理论 Cannon-Bard Theory  (Walter Cannon / Philip Bard )

刺激—大脑—情绪—内脏—骨骼—躯体前端

认知判断

外在刺激—生理反应—认知评估—情绪体验

沙赫特—辛格实验

同样的生理反应，如果评价不一样，情绪体验是完全不同的

实验的目的：1当人们处于生理唤醒状态时，人们是否会体验情绪状态呢？

                      2 环境事件是否会影响人们的情绪状态呢？

实验设计：1为了使受试者处于同样的生理唤醒状态；研究者对受试者说，实验的目的是为了研究一种新维生素化合物 （称为 Suproxin) 对视觉敏感度的效果；而实验注射的是 肾上腺素

                  2 为受试者分为 3组；

                        组一：心悸，手颤抖，发烧

                        组二：仅身上发抖，手脚嘛

                        组三：不做任何解释

实验结论： 大脑对来自环境中的刺激，自身的生理反应加以认知评估，而其结果会使人产生了某种情绪体验。

达尔文的情绪进化理论

保罗·艾克曼 Paul· Ekman

艾克曼基本情绪理论：人类的情绪都是通过面部表情表达出来的，可以由同样的心理的因素所激发。

艾克曼的跨文化研究：人类对基本情绪的表现，认识和辨别是基本一致的。比如 愤怒、厌恶、恐惧、快乐、悲伤、惊讶。

    1不同文化的人，对基本情绪的辨别，有非常高的相同性和一致性。（相同的工业化国家）

    2 对人类的各种情绪有非常高的一致性和认同感。                                （巴布亚新几内亚）

    3 （美国人对巴布亚新几内亚）

    4 （美国人和日本人观看同样的**）

人类的基本情绪体验是相同的

人类的情绪是进化的产物

艾克曼提出 面部表情反馈假设

A 保持一种面部表情能够引起自主神经系统的反应

B 不同的面部表情产生了不同的反应

推论：不仅情绪可以决定表情，表情也可以决定情绪

知识小结：

第一，情绪是基于进化的普遍的身心反应

第二，情绪表达、情绪评价，情绪的生理反应，以及再认他人的面部表情，都存在着普世的一致性。

第三，这些普遍的情绪过程，对我们的适应、反应和应对社会生活，有着巨大的价值和作用。

情绪的文化差异

1情绪价值理论

2情绪表现规则：是从小学习培养的行为方式

    1衰减情绪反应

  2 放大情绪反应

  3 综合情绪反应

  4 限定情绪反应

  5 掩饰情绪反应

3 辩证情绪差异

    悲喜交加

情绪智力 ：1感受情绪的能力

                    2控制管理情绪的能力

                    3利用情绪的能力

                    4对情绪意义理解的能力

情绪管理

情绪感受

情绪利用

情绪理解

提香 Duchenne 人类真实的微笑有一些可以看出来的明显的特点

情绪识别

如何提高情商：1 了解情绪意义与价值

                          2管理和控制情绪

                          3 观察理解他人

                          4正确分析解决问题

                          5 富有同理心和同情心

既然是阅读题当然得看见文章才能读懂思想感情啊！不过，依据你给的题目！大致猜想如下

1 地图上的中国幅员辽阔，地大物博，作者在歌颂伟大的祖国

2如果是战争时代，也许作者在地图上悉数被军阀或者外国侵略者所霸占的地域，表达了作者对祖国的担忧和强烈的爱国情感！

看不见文章只能做大致推测，希望对你有所帮助！

或者你可以随便发一段或几句重要的短句上来看看也可以！

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。

临床医师《心理学》辅导精华—情绪与情感的概念

　人对客观事物是否符合自身的需要而产生态度的内心体验。

　情绪与情感的区别：

　1对需要的满足：情绪与生理性需要相联系；情感是与人的社会性需要相联系的体验。

　2从进化上看 情绪代表感情的种系发展的原始方面，人与动物共有；情感是人才有的高级心理现象，是人类社会历史发展的产物。

　3从发生上看：情绪受情境影响大，不稳定；情感受情境影响小。较稳定。

　4从反应上看：情绪反应强烈，外部表现明显；情感反应较深沉，外部表现不明显。

文学地图是以地图形式表现文学空间形态、空间分布及流向的文学地理研究方法。一方面，它是近年来人文学科研究数字化、空间化、可视化几大趋势交汇的结果，是当下数字人文风潮中的新路径，显得有些“高大上”。另一方面，文学地图逐渐成为大众了解文学、接触学术的一种方式，十分“接地气”。那么，文学地图到底是“高大上”还是“接地气”呢？

孤立研究方式有了发散性转变

中国文学地图的出现，可以远溯到上古时代。被视为“小说之最古者”的《山海经》，实际是一部据图释文的经典，今已亡佚的《山海经图》即为原始形态的文学地图。20世纪70年代，张爱玲在译注《海上花列传》时，根据作品中的地名等绘制出上海地图附在文本后，成为借助地图解读文学的先导者。21世纪初杨义提出的“重绘中国文学地图”，则将文学地图提升为空间视角下的文学史写作范式。不过，这里的“文学地图”，更多是借喻性用法，目前的文学地图研究则更重视实体形态的地图，这就要求学者不仅需要熟悉文学，还必须掌握相应的地图绘制技术，而它们大多是近年来发展的前沿技术，由此文学地图也比传统的文学研究对象显得“高大上”。

与文学地图关联最密切的技术当属GIS（地理信息系统）。早期的文学地图绘制多依靠人工，应用较为基础简单，往往只能基于个别案例且费时费力，在一定程度上限制了文学地图在文学研究中的应用。GIS技术的发展使文学地图具有了科学、批量绘制的可能，而一个对象也只有成规模应用后，才可能建立独立范式。正如美国空间人文学者戴维·J 博登海默所言，GIS因处理和呈现空间场域数据的空前能力，“使地图的力量被重新发现了”。依托GIS技术，文学地图从静态、固定的纸质形态转化为动态、立体的数字形态，以往传统地图无法呈现的多重图文信息，在数字化地图上可以共存、更替，无需重新绘制。这就大大增加了地图的信息容量和要素维度。更重要的是，在对多重图文信息的交互读取中，一些隐性现象可能被揭示出来。

比如，借助数字化地图平台，无需绘制多幅地图，即可将唐代长安里坊图的底图替换为卫星云图、地形图、当代行政区划图、唐代历史地图等，而且点击各里坊，会弹出相关知识信息；再借助大数据技术，统计唐代小说中长安里坊的复现率，并绘制成热力图，那么不仅可以探析地形、水系、交通等因素对唐长安城空间格局的影响，还可由里坊色度与长安住宅空间分布的对应关系，对唐传奇的文体特征、情节结构的组织逻辑等有更深刻的认识。可以说，在GIS技术辅助下，文学地图不仅能够被快捷方便地绘制出来，而且还使过去孤立的研究方式有了多元化、发散性的转变。

古籍数字化技术在古代文学版本研究中发挥着重要作用，而绘制文学地图所需的文学地理元素，也须依托于古籍数字化技术所提供的大数据。可视性是文学地图的本有属性，因此可视化技术的应用似乎是题中之义。但以往的可视化还较为平面、单一，随着可视化技术的发展，文学地图已经可以用更多元的形态呈现更丰富的信息。例如，法国文学地图研究先锋人物弗兰克·莫莱蒂基于伦敦文学书写的大数据，绘制了叙事情感地图。情感竟然能够可视化，刷新了人们对“地图”的认识。文学地图因具有“文学”与“地图”的双重属性，目前论者各有偏重，尚无统一定义，而在各类技术背景下，地图形式趋向于多模态，将使文学地图的内涵界定更为复杂。

“接地气”的基本内核

文学地图的“接地气”，有两层意思。其一，文学地理学的核心是研究文学与地理的关系，这就使文学研究从与时代的紧密联结转向与地理的深刻融合。作为文学地理学分支的文学地图研究，也延续了这种“接通地气”的基本内核。其二，文学地图的兴起顺应了时代风潮，适应了大众需求，不再是象牙塔的专属。

就第一层意思而言，文学地图的“接地气”与文学地理学其他研究路径的最大不同，是它需要将文学地理要素先转换为可视形态，再由地图元素的空间特征来解读文学现象、揭示文学规律。这种“图本”叙事语言系统不同于传统的文本系统，梅新林称为文学地理学的“第二语言”。但文学地图并不仅仅是示意配图，更基于可视性成为观照文学的一种独特视角。

以文学要素的地理分布为例。文人地理分布是文学地理学的主流研究路径，一般通过表格排列文学数据，再对地理空间分布进行描述。同样的数据，如果用地图呈现，会发生什么变化呢？不仅更直观，还会产生更多的空间信息。除了可以呈现表格所示各地区文人数量，地图还可反映各地区内部的文人分布重心。如果再给地图更换地形、交通等不同底图，还能够反映不同因素对文人空间分布的影响。此外，空间数据由线性排列转换为平面展现后，数据之间的区域就会以空白的形式显示出来，或者说，将“无”可视化了。研究者通常容易注意到“有”而忽略“无”，地图则将“无”变成了探究文学现象的切入点，这实际是对传统研究思维方式的一个重要改变。

就第二层意思而言，文学地图走向大众，仍与其视觉呈现性质密不可分。在“读图”时代，大众更青睐视觉化的文学表达。“图解”文学作品、城市文学地图等新型读物应运而生。不过，真正让文学地图“出圈”的，要算唐宋文学编年地图。它的依托平台是一个大众性的诗词网站，上线当天浏览量就达到110万人次。如此高的单日浏览量当然不是因为大众对学术的膜拜，而是因为文学地图对诗人及作品立体、丰富的呈现，适应了当代人的“读图”需求。

“高大上”与“接地气”的未来融合

不难发现，“高大上”与“接地气”这看似互斥的两者，其实并存于文学地图。不过，目前它们的融合度还并不充分。“高大上”有时意味着“不易接近”。国内GIS平台的建设多针对历史地理，真正的文学地理专题平台少之又少，即使如浙江大学“学术地图发布平台”这样提供大量文学数字地图的平台，仍是以发布诗文学术地图资源偏多，小说相关地图还很缺乏。从技术层面来看，多数平台只提供浏览查询功能，而可自主绘制地图的平台，操作起来又并不简易。绘制文学地图过程中遇到的各种技术性难题，可能是当前文学地图发展的最大瓶颈。一方面，数字化地图平台需要进一步简化操作；另一方面，学者也不能坐等平台建设，而应勇于进行社会科学与自然科学的“跨界”，主动学习ArcGIS、Python等软件，积极开展文学地图研究。

除了技术上的改革，还需要理念上的更新。习近平总书记强调，“把学问写进群众心坎里”。文学地图正在推动这一趋势：学者研究的文人交游，可以变成大众津津乐道的“古人朋友圈”；文学地图揭示的隐藏于文本下的作家精巧构思，可以用“盗梦空间”的形式呈现给大众；唐传奇与宋传奇地图的对比，可让学者从文本地名变化探析传奇文体流变，也可让大众见证唐人“凡尔赛文学”到宋人“平凡的世界”之过程……

（作者系国家社科基金青年项目“文学地图视角下的中国古代小说研究”负责人、中国石油大学（华东）文法学院副教授）