人工智能技术应用：情感分析概述

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。

这是一个很有趣的问题，因为不同的人有不同的情感表达方式和处理方式，所以在结婚后思念前任的情况也会有所不同。然而，有一些常见的因素可以解释为什么女人结婚后更容易思念前男友。

女人更倾向于情感深厚，注重感性和情感的体验。因此，在恋爱和婚姻中，女人更倾向于表达自己的情感和感受。如果女人和前男友之间有很深的感情，即使结婚了，也可能会经常思念他们的前男友。

女人通常更加依赖感情和亲密关系来满足自己的需要，而男人则更多地依赖个人成就和事业来满足自己的需要。因此，对于女人来说，与前男友之间的感情关系可能会成为她们在婚姻中得到情感满足的方式之一，特别是在她们在婚姻中遇到一些挑战和困难的时候。

女人通常更善于表达自己的情感和感受。因此，在面对困难时，女人可能会更容易找到人倾诉和支持。如果她们和前男友之间的感情关系还不错，她们可能会选择向前男友倾诉，获得安慰和支持。

男人和女人的思考和表达方式有所不同。男人通常更倾向于内敛和独立，他们更喜欢通过自己的方式来解决问题。因此，即使男人在婚姻中遇到了困难，他们也不一定会倾向于找前女友倾诉或得到支持。

总之，女人在结婚后思念前男友的情况可能有很多因素，包括情感深度、需要满足和情感表达方式等等。每个人都有自己的情感和处理方式，而这些方式都是有可能发生变化的。无论是男人还是女人，都需要在婚姻中坦诚地交流和理解对方，以建立一个稳定、健康的关系。

首先，选本，情感本需要玩家格外投入和沉浸，所以最好选择与自己本身性格特点比较相符的角色去体验ta的一生。一般情感本开场选本前，dm都会给到几个问题，术语称为“Q&A”，根据你对于一些问题的回答，与剧本角色的贴合度，来给你分配更适合你的剧本。

其次，读本，在读本过程中，一定要安静、认真，不要经常与朋友交头接耳，尤其说一些与剧本无关的内容，因为这会让你自己以及其他同车玩家非常出戏。情感本是需要氛围的营造的，玩家需要有较强的信念感，抛除现实生活中的你自己，所以出戏会让人很难再入戏。

再次，交流。行话叫“输出”。情感本可能经常需要我们代入角色的人生，站在ta的立场，对在场玩家或npc交流，所以前提就是你要吃透你的这个角色，ta会对谁报有怎么样的感情？对ta的cp、亲朋好友都会说些什么话？一般在沉浸环节，dm都会关灯，让玩家们打开手中的蜡烛营造气氛。

此时，dm可能会扮演一定的npc角色，问你一些戳心的问题，行话叫“灵魂拷问”，直指玩家内心深处的情感，让人动容甚至哭泣。如果你无法共情，也不要做出一些嘲笑哭泣的沉浸玩家等不礼貌的举动。

最后，情感本一般没有凶案或者推凶并不重要，所以一般不必揪着一个点一直盘，影响其他人游戏体验和进程。

大师可以推荐几个比较好玩的情感本《永不褪色的山楂林》《云使》《苍歧》《林记凉茶铺》《小吊梨汤》等等，小侦探可以试试哦。

撩男友小行

1说悄悄活

可以突然神秘分分的要跟他说悄悄话，等他把耳朵伸过来的时候，冲着他的脸蛋秋咪一口，绝对很惊喜脸红

2擦头发

洗完澡以后，湿着头发走出去，歪着头不经意的擦头发，灯光最好也调好暖光，如果你有一头秀发，就可以模仿**里那种不经意的回眸，气氛upup

3埋头橄娇

面对面坐着或者委屈的时候，可以把头埋进他的胸口，嗲声嗲气的跟他撒娇，相信我，只要是个男的都把持不住

4微醺气氛

没有比酒更能增进感情的了，两个人可以一起喝一点酒，有点微醉的时候，两眼汪汪的看着他，后面画面少儿不宜

5一起护肤

可以一起刷牙洗脸，然后帮他护肤，给他涂护肤品

贴面膜，不仅能一起变美还能让他心动

6电梯偷亲

这个强烈推荐。两个人一起坐电梯时，趁没人踮脚楼住他的脖子，一顿啵啵，然后假装什么事情都没有，相信我他绝对整个人震惊状哈哈

7欲拒还迎

走上前去索吻，在他准备靠近过来亲你的时候调皮的躲开，或者温柔的吻他，在他回吻的时候推开他，重复几次，你将收获霸道总裁男友一枚

8装委屈

吵架或者生气的时候，委屈的看着他咬咬嘴，他绝对不忍心再对你发脾气，这个时候再适当的给个啵啵，简直什么脾气都没有

撩男友小游戏

1枕头大战

洗完澡在床上，一起玩一个枕头大战，时间最好是

周末早晨，自己脑补一下是不是敲温馨

2舌尖上的石头剪刀布

这个可不是手的石头剪刀布，而是闭上嘴巴是石头，伸出舌头是剪刀，张开嘴巴是布，惩罚措施一个啵啵吧嘻嘻

3爱的味道

好吧这是一个有味道的游戏，就是酝酿一个屁给他

闻哈哈-男孩子做可能要挨打

4你别笑

两人各含一口水，对视或者看搞笑片，谁先笑谁就

输了，一定不要在床上玩

5给对方化校

这个是综艺里比较常见，生活中也是一个情侣也可以模仿，看可以化成什么样子，我猜男孩子肯定会很帅，女孩子吧可能就有点惨不忍赌了，所以要有心理准备

6速问速答

问对方问题，让对方不假思索的回答，这个游戏可以增加彼此之间的了解，也会增加一些不一样的话题

7讲故事

两个准备一些写了词语的纸条，折起来混在一起,然后抽取几张，用抽到的词语编成一个故事讲给对方听，哈哈敲搞笑

8红烧猪蹄

这个游戏大家应该都玩过，就是双手或者一只手放在他手心上，被打的瞬间及时把手移开哦，输的惩罚你们自己定吧

撩男友套路情活

“我们交换礼物好不好”

“好啊”

“那从现在开始，我是你的，你是我的’

“你猜我现在想喝什么”

“喝什么”

“我想呵护你”

“你是不是会魔法”

“不会啊”

“那为什么我见到你就开心

“可以帮我洗个东西吗”

“洗什么”

“喜欢我，如果可以请喜欢我久一点”

“其实我以前有很多爱好”

“现在呢”

“现在只有一个，爱你”

“你猜我喜欢什么肉”

“牛肉、猪肉”

“不对，我喜欢你这块心头肉

“我昨天晚上没睡好”

“怎么了"

“被子啊太轻了，压不住我想你的心”

“我好像有点感冒了”

“着凉了吗”

“不是，是因为我对你没有抵抗力”

论“艺术是人类情感的符号形式的创造”张捷德裔美国学者苏珊·朗格承继了西方人类文化哲学创始人德国学者恩斯特·卡西尔符号学的理论体系，在《情感与形式》一书中给艺术下了这样一个定义:"艺术，是人类情感的符号形式的创造"。在二十世纪中叶，朗格的符号论美学曾经风靡一时，并且占据了当时西方美学理论的统治地位，尽管到了六十、七十年代有所衰落，但迄今为止，在研究现代美学理论方面还是一个非常重要的环节，甚至对于我们的艺术创造实践，也同样值得研究和借鉴。但在朗格的艺术符号论中，也掺杂着许多荒谬和错误的观点，有些甚至是唯心主义的，这些都需要我们加以认真地分析和思考。本文仅仅结合个人专业上的艺术体验，对朗格的艺术符号论作些粗略的例证，虽属自抒鄙见，也权作存商求正而已，至于朗格许多错误的观点不再作详细的讨论。为了更准确地把握苏珊·朗格的思想实质，我们必须了解其思想来源，那就是对卡西尔的符号论哲学的研究。卡西尔的著作被誉为新康德主义"马堡学派的学术总结"，他把康德"经验的规律性和逻辑结构"中的"静态"思想发展为"动态"思想，由此认为:一切人类的文化现象的精神活动，如寓言、神话、艺术和科学、都是在运用符号的方式来表达人类的种种经验，概念作用不过是符号的一种特殊的运用。符号同时连接了意识的流动，是人类精神活动的一种文化指向，是社会文明的有机统一体。朗格接受了卡西尔的符号理论，她的主要贡献是对不同的符号加以确定，从而给符号创造活动和理解活动打下了更为清晰的印记。朗格的艺术理论是其整个符号理论的重要组成部分，一方面，她以符号行为这样一个人类特有的基本活动为支点，详细地解析了艺术活动的各介方面;另一方面，又试图通过对艺术现象这种无比绚丽多彩、无比神奇美妙的人类活动的展示，进一步揭开人类心灵的奥秘。但朗格又片面地认为:"艺术家的使命就是:提供并维持这种基本的幻象，使其明显地脱离周围的现实世界，并且明晰地表达出它的形式，直至使它准确无误地与情感和生命的形式相一致。"(苏珊·朗格《情感与形式》中国社会科学出版社，1986年版，第80页)又如"符号不是反应客观世界，而是构成客观世界"。这些都体现了朗格所存在的唯心思想，她颠倒了人类的精神活动与物质活动的真实关系，错误地认为人类实践活动的起点在于符号的制造、精神的内省和意识的抽象，并将符号的含义远远超离了一般语义学相对概念的狭窄范围，而进入了整个人类文化更为广泛的使用之中。当然，科学思维不同于艺术思维，形象思维也不同于抽象思维，在某一个前提下看问题，才能够使我们作出相对正确的判断。在艺术领域里，一件有意味的作品的诞生，往往是一个艺术家对自然表象真切心理体验的结果，其表现出来的语言图式都是艺术家情感外化的结果。在中国山水画的创作中，人们用自己对自然界变化无常的景致入微观照之后的理想化境界转化为笔下具体的艺术形象时，必需经历一个从感知到再现(理知)的文化转换过程。个体的情感活动转换为具体的艺术图式时，不仅仅融入了个人的语言、符号、形式，同时也投射出了画家独立的人格精神魅力。而写意性较强的水墨山水画创作，更需要画家具备一种"意象"性笔墨思维，即从自然界的表象中抽取最为本质的东西，在内容要素无法掩盖其心里情感理念时，被最纯粹地表现在画面上，从而使其作品成为超离物象的一般存在价值，所以，艺术是高于生活的。朗格认为"意象"是 "即从实际的、因果的秩序中抽取出来，仅为感知而存在的某种东西，是艺术家的创造"(《情感与形式》第57页第二部分:符号的创造，第八章:表象)。实际上"意象"是一种理智和情感的复合物，它既入理又含情。写意山水画的意象表现形式，在追求形神兼备的同时，也注重寓意抒情，求象外之意，给人以画外的精神联想，而并非单纯的客观描摹。它旨在通过精炼●永的笔墨语言和符号样式来表达艺术家对客观事物的主观意念和思想，抒发个性，寄托襟怀。而"意象妙得"又是建立在画家对自然景物的真实而又概括地观察和把握之后，才得以因景生意，因意立法，而赋予灵活多变的笔墨形式和符号语言。这种 "独得于象外"而超于自然的以意命笔、借笔达意的手法，是艺术创作中最为重要的人文取向。在这里，自然界的繁杂景象己被去掉枝叶，只剩下那些己让心象迹化了的精神本质。"语言能使我们认识到周围事物之间的关系以及周围事物同我们自身的关系，而艺术则使我们认识到主观现实、情感和情绪。"使我们能够真实地把握到生命运动和情感的产生、起伏和消失的全过程。"(苏珊·朗格《艺术问题》第66页)语言绝非人类唯一的表达工具，既然语言不能完成情感的表达，人类的符号能力，就必然创造出服务于情感表现的另一种符号，因此，艺术应运而生。宋人郭若虚曾说"画乃心印"，它"发之于情思，契之于绢堵"。自然山川的千变万化，给画家带来不同的情感体验，这种 "有感而发"所建立起来的艺术形象就成了一种情感符号，笔墨仅仅是寄托和传达情感的样式。唐人符载在《观张员外画松石序》中认为张躁的创作是"物在灵府，不在耳目，故得于心，应于手。孤姿绝状，触毫而出，气交冲漠，与神为徒"。所谓"在灵府"的"物"，意味着"得于心"的"物"，是画家融于内心世界的自然美，通过毫端而宣泄出来，只有这样的"物"，才是 "应于"画家的"手"的。与此同时，张躁并不排斥客观的"物" 或自然美，相反地他以频繁地接触自然来丰富自己的"心源"，以生成主观的对象来进行造化。"单有形式而无情感，或单有情感而无形式，这对于艺术创作来说都是不可想象的，所谓"默与神会"，是指由心物契合来达到物为心用，情景交融的目的。王维《辋川图》中的那些山、谷。云、水的种种情景，乃是借以传达其"出尘"之意的，也就是说，王维不仅仅歌颂辋川之美，更重要的还在于用笔墨语言写出辋川之美来托出他所自命“一尘不染”的心境。这种以意寄物，落墨写心的意象表现手法，是个人情感理想化后的形式语言的再现。在此，笔墨也就成了其中一者充当另一者的符号意义。"符号性的形式，符号的功能和符号的意味，全部溶为一种经验，即溶成一种对美的知觉和对意味的直觉。"(苏珊·朗格《艺术问题》第32页)在艺术创作中显而易见包含着较为突出的情感因素，情感甚至在某种程度上说就是艺术的生命，而这种情感上的"心境"是靠与此相吻合的"语境"来传递的，这也就印证了符号活动的实质含义。所以，艺术符号与其表现的情感内容是不能分开的，只有把人类语言思维活动与艺术表现活动统一起来，再通过直观符号形式和推论符号形式，才能解释艺术符号的抽象意义。但艺术绝对不能等同于一个符号体系，符号只是反应客观世界的一种社会意识活动，而绝不是构成客观世界的本能行为。也可以说艺术符号是构成情感再现的必要因素和途径。南朝宋炳在他的《画山水序》中这样说道:"圣人含道映物，贤者澄怀昧象。至于山水，质有而趋灵。圣人以神法道而贤者通，山水以形媚道而仁者乐。(余)画象布色，构兹云岭。身所盘桓，目所绸缪，以形写形，以色貌色也。披图幽对，坐究四荒，余复何为哉？畅神而己;神之所畅，孰有先焉？"这段话反映了山水画家具有一定的主观思想感情，由此出发去接触自然，探索与这主观愿望相契合的自然美而加以描绘;通过这种借物写心的过程，追求画中天人合一的境界，从而达到"畅神"的目的。其"万物与我为一"的道家思想中包含了人类精神自我完满的祟高理想，而营造这样的"大境界"，其前提也是需要经过人类情感的"内营"之后，才能实现笔下由符号语言构筑起的"丘堑"，而艺术符号本身是单一和苍白的，只有注入画家的情感之后，才能获取符号的生命意义。所谓"胸中有丘堑，笔底见云山"说的就是这个道理，没有自然表象的存在，就不会有画家情感冲动后的意象表现。所以，情感是人以客观现实的一种心理反映形式，是人类对客观事物是否符合自己需要所作出的一种心理反应。综上所述，我们可以清楚地认识到朗格通过艺术即人类情感符号创造的理论依据，给艺术领域注入了一股新鲜的血液，无不给人以很大的启发。但艺术的定义并非是单一的，而是多元的，艺术的真理只有在艺术家各自的艺术创造实践中才能得以证实。

自然语言处理的工作包括：

1、句法语义分析：对于给定的句子，进行分词、词性标记、命名实体识别和链接、句法分析、语义角色识别和多义词消歧。

2、信息抽取：从给定文本中抽取重要的信息，比如，时间、地点、人物、事件、原因、结果、数字、日期、货币、专有名词等等。通俗说来，就是要了解谁在什么时候、什么原因、对谁、做了什么事、有什么结果。涉及到实体识别、时间抽取、因果关系抽取等关键技术。

3、文本挖掘（或者文本数据挖掘）：包括文本聚类、分类、信息抽取、摘要、情感分析以及对挖掘的信息和知识的可视化、交互式的表达界面。目前主流的技术都是基于统计机器学习的。

4、机器翻译：把输入的源语言文本通过自动翻译获得另外一种语言的文本。根据输入媒介不同，可以细分为文本翻译、语音翻译、手语翻译、图形翻译等。机器翻译从最早的基于规则的方法到二十年前的基于统计的方法，再到今天的基于神经网络（编码-解码）的方法，逐渐形成了一套比较严谨的方法体系。

5、信息检索：对大规模的文档进行索引。可简单对文档中的词汇，赋之以不同的权重来建立索引，也可利用1，2，3的技术来建立更加深层的索引。在查询的时候，对输入的查询表达式比如一个检索词或者一个句子进行分析，然后在索引里面查找匹配的候选文档，再根据一个排序机制把候选文档排序，最后输出排序得分最高的文档。

6、问答系统：对一个自然语言表达的问题，由问答系统给出一个精准的答案。需要对自然语言查询语句进行某种程度的语义分析，包括实体链接、关系识别，形成逻辑表达式，然后到知识库中查找可能的候选答案并通过一个排序机制找出最佳的答案。

7、对话系统：系统通过一系列的对话，跟用户进行聊天、回答、完成某一项任务。涉及到用户意图理解、通用聊天引擎、问答引擎、对话管理等技术。此外，为了体现上下文相关，要具备多轮对话能力。同时，为了体现个性化，要开发用户画像以及基于用户画像的个性化回复。