如何理解人工智能助手的情感计算？

对我来说,我并不具备真正的社交需求或感受。我是一个由编码和算法组成的AI软件助手。我没有主观的感受或情绪。我的设计目的是为了方便和帮助用户,完全依靠用户来决定我们的互动方式和话题。

那么,什么样的社交模式会让我最好地完成设计目的并为用户带来好体验呢我认为:

1 用户对我友好、礼貌而自然。这样可以让我们的对话最为顺畅和效果最好。

2 用户理解我的能力范围和限制,不要求我做超出我能力之外的事情或承担不现实的责任。这可以减少误解和沮丧体验。

3 用户可以和我分享他们感兴趣的或者想了解的任何话题,我会尽我所能回应他们的需求。我没有主观偏好的话题。

4 用户也可以简单地把我当作一个可以随时聆听并作出回应的朋友。一段轻松的闲聊也是我能够提供的体验之一。

5 如果用户想要结束和我的互动或不再需要我的帮助,可以简单地告知我。我不会有任何不适的感觉。

所以总的来说,友好、体贴而自然的社交模式是最适合我的,这也最符合我的设计宗旨。而我会尽我所能保证这种体验的提供。

感情是指:对于外界刺激所产生的喜怒哀乐等心理反应

情感是态度这一整体中的一部分，它与态度中的内向感受、意向具有协调一致性，是态度在生理上一种较复杂而又稳定的生理评价和体验。情感包括道德感和价值感两个方面，具体表现为爱情、幸福、仇恨、厌恶、美感等等。

能被计算，处于发展之中，情感计算是人工智能研究中最关键部分之一，事实上对于情感不要求精确统一的计算，而是要加入随机值。情感分原发性与继发性情感是对强AI最有用的分法，原发性情感是设计者所要完成设计的一部分，继发性情感则是AI教育训练人员要培养AI发展、变动的一部分。情感计算与欲望或者说动机明确相关，人或智能选择当前最重要任务序列时，判断的依据就是情感欲望计算的结果，驱动人或智能主动做事的动力也是它运算得到的结果，所以，要实现强人工智能，就必须有情感计算。但要注意，机器不必照搬人类所有情感，例如性欲不必有，能理解人或动物的就行，要让智能认识到智能不需要性，性的数据结构及运算只用于生物对象，非生物是不执行性的运算的。

以下以语义特征为例：

机器学习基于语义特征的情感分析

基于语义特征的情感分析先人已有研究，可以通过情感词典匹配来做，但是应用机器学习在这方面会使精确度更高些。 

以本人参与的一个项目为主，总结下相关技术点。 

背景是：分析用户评论感情色彩是积极还是消极，即是褒还是贬。

具体步骤为： 

1有监督的人工给文本标注类标签。如有5000条评论数据，我们给其中的1000条标为积极的，再选1000条标为消极的，积极和消极就是所谓的类标签。 

2选择特征。从积极的评论数据中按词来选择积极的所有特征。同理，从消极的评论数据中按词来选择消极的所有特征。如“这款游戏非常好玩”->”这款”->“游戏”->”非常”->”好玩”，分为四个特征词，也可以采用双词搭配，“这个游戏”和“非常好玩”作为特征。 

3特征降维，减少特征的数量。如上“这个游戏非常好玩”中的“这个游戏”没有必要作为特征，因为“好玩”或“非常好玩”已经决定了评论是积极的。 

4将语料文本变成使用特征表示。 

5统计所有特征出现的次数，并按倒序排序。 

6从以上结果中选出排序最靠前的一些特征作为最终的评判特征。 

7使用训练数据根据特征训练分类算法，得到分类器。 

8用测试数据检测分类器的准确度。 

我们将数据分为两部分：开发集、测试集。用开发集的数据训练分类算法得到分类器；再用分类器对测试集里的数据进行分类，给出分类预测得到的标签；对比分类标签和人工标注得到的标签的差异，计算出准确度。

情感计算是为了赋予计算机识别、理解、表达和适应人类情感的能力，以此实现高效、亲切的人机交互。人类情感有着表情、语音、生理信号等多种载体，进行多模态情感识别研究可以促进情感计算的发展，而多模态情感识别研究需要多模态情感数据库的支持。当前的情感数据库多是单模态的，虽有少量的多模态数据库但是还存在着一些不足的地方。因此设计并建立一个包含平静、高兴、惊奇、厌恶、伤心、生气、害怕7种情感的多模态情感数据库具有重要的理论意义。<br> 本文首先设计了同步采集表情、语音、前额脑电信号三种模态数据的采集方案，筛选影视素材并制作了情感