如何分析和研究人的情感？

分析和研究人的情感是一个复杂的过程，需要结合多个因素和方法。以下是一些常见的方法和技巧：

观察非语言表达：情感通常通过非语言表达来展示，包括面部表情、姿势、手势、眼神等。观察这些非语言信号可以提供关于一个人情感状态的线索。

倾听和观察语言表达：人们在语言中常常流露出情感，包括词语的选择、语调、语速等。倾听和观察一个人的语言表达可以帮助你了解他们的情感体验。

提问和探索：与他人进行深入的对话，提出开放性的问题，探索他们的情感体验和内心感受。通过主动与他人交流，你可以更好地了解他们的情感世界。

了解背景和经历：一个人的情感体验通常受到他们的背景和经历的影响。了解一个人的背景故事、家庭环境、教育背景等，可以提供更多的背景信息来理解他们的情感。

使用情感分析工具：一些科学研究和心理学领域的专业人士使用情感分析工具来研究和测量情感。这些工具可能包括问卷调查、心理测量仪器、脑部扫描等，通过客观的数据来分析和研究情感。

学习心理学和情感科学知识：深入学习心理学和情感科学领域的知识可以提供更多的理论框架和研究成果，帮助你理解情感的本质和影响因素。

需要注意的是，分析和研究他人的情感是一项复杂的任务，需要综合考虑多个因素，并且要尊重他人的隐私和个人边界。在进行情感分析时，保持尊重、开放和理解的态度非常重要。

学术论文是科学或者社会研究工作者在学术书籍或学术期刊上刊登的呈现自己研究成果的文章。学术论文往往强调原创性的工作总结，但也可以是对前人工作总结的回顾及做出评价，后者也往往被称为综述性文章（Review）。学术论文的出版正在经历着重大变化，出现了从传统的印刷版到网络上电子格式的兴起。论文中最重要的就是论点、论据和论证，所以在写作中，一定要对这三点加以重视。

论文写作，简单的说，就是大专院校毕业论文的写作，包含着本科生的学士论文，研究生的硕士论文，博士生的博士论文，延伸到了职称论文的写作以及科技论文的写作。一般来说，论文写作，即高校毕业生，科技工作者以及各科研机构，事业单位工作人员，依据一定的论文格式和字数要求，对学习和工作的学术总结和创新。[1]

论文一般由题名、作者、摘要、关键词、正文、参考文献和附录等部分组成，其中部分组成（例如附录）可有可无。论文各组成的排序为：题名、作者、摘要、关键词、英文题名、英文摘要、英文关键词、正文、参考文献和附录和致谢。

工具/原料：手机微博。

1、首先在我们的手机桌面上找到微博并点击它

2、然后点击屏幕右下方的我的。

3、接着点击个人头像。

4、然后点击主页。

5、接着点击基本资料。

6、然后点击屏幕右上方的编辑。

7、接着点击感情状态。

8、最后选择我们的感情状态并点击确定就可以了。

人工智能产品的定义较为广泛，智能硬件、机器人、芯片、语音助手等都可以叫做人工智能产品。本文讨论的人工智能产品主要是指在互联网产品中运用人工智能技术。

互联网产品主要着手与解决用户的痛点，对于C端产品来说，痛点就是指的个人想解决而无法解决的问题，如个人想要美化自己的照片，但是他不会复杂的PS软件，于是美图秀秀就可以解决这个痛点。从KANO模型中，就是满足用户的基本需求与期望需求。

人工智能产品（在互联网产品中运用人工智能技术）则是要满足用户的兴奋需求。如将情感分析运用到电商的产品评论中，用户则可以通过可视化的数据展示来大致对产品有个全面、直观的了解，而不再需要自己一页一页的翻看评论内容。

互联网产品主要关注点在于用户需求、流程设计、交互设计、商业模式等。着眼于用户需求，设计满足用户需求的产品，通过合理的流程设计、交互设计达到产品目标，进而实现商业目标。典型的思路是发现用户需求——>设计满足用户需求的产品——>迭代完善、产品运营——>商业变现。

人工智能产品关注点在于模型的构建，它不再是对于布局、交互的推敲，而是通过选择合适的数据，构建合适的模型，最终呈现出来的是好的效果。什么是好的效果呢？这就需要引入评测指标。互联网的评测指标有我们熟知的留存率、转化率、日活跃等，那么人工智能的产品主要是通过一些统计指标来描述，以情感分析为例，把情感分析看成一个分类问题，则可以使用P、R、A、F值来描述。

1）查准率（Precision）：P值，衡量某类分类中识别正确的比例，如情感分析中，有10条被分类为“正向”，其中8条是分类正确的（由人工审核），那么P=8/10=80%

2）查全率（Recall）：R值，又叫查全率，又叫召回度，指的是某类被被正确分类的比例，同样以情感分析为例，100条数据中有10条是正向的，机器分类后，这10条中有7条被分类为正向，则R=7/10=70%

3)F值，因为P值和R值通常是两个相互矛盾的指标，即一个越高另一个越低，F则是两者综合考虑的指标，不考虑调节P、R权重的情况下，F=2PR/(P+R)

4）精确度（Accuracy）：这个最好理解，就是被准确分类的比例，也就是正确率。如100条数据，90条是被正确分类的，则A=90/100=90%。

以上指标越高，说明模型效果越好。

我们从上面内容可以知道，人工智能产品设计关注：数据——>模型——>效果评估。

现在我们以情感分析为例子说明产品设计的过程。

1）数据：

数据的选择对最终模型的结果有直接影响，情感分析，根据不同的目的，选择的数据也不同。如将情感分析运用于**票房预测，则一些更新及时、内容丰富的数据源，如微博，是比较好的选择。如果是应用于商品的评价，如电子产品，很多评测内容是无法在短短几句话内描述清楚的，这时候微博不是个好的选择，选择论坛上更新较慢、但是详细的内容就比较适合。

如果能在产品的早期就有引入人工智能的打算，则可以在产品中事先做好数据采集。

2）模型：

在选择模型中，产品需要了解不同的模型的优缺点，进而选择更加合适的模型。在情感分析中，NB、SVM、N-gram都是常用的模型，其中SVM效果最好（这是已有的结论），如果是其他的智能产品，可能需要算法团队进行实验，给出测试数据，进而选择合适的模型。

3）效果评估：

效果评估在上文中已经描述得比较清楚，具体指标不再赘述。

4）产品呈现：

最后这一步，是将结果展示给用户。在情感分析中，我们可以选择雷达图、词云、情感趋势图来展示结果。取决于产品属性，如电商产品评论挖掘，可以使用词云；

如舆论分析，可以使用情感趋势图。

人工智能产品的设计要关注：数据、模型、评判、呈现。

一 你在浏览微博的时候，受到哪些用户的影响。

1 抓取你微博的关注列表，通过一定的条件筛选一部分用户，继续抓他们的关注列表，这样抓两到三层就行了，不然数据太大了。

2 对抓取的用户进行影响力建模，例如，用户最近两个月的微博的转发评论和点赞数据

3 最后分析出哪些用户对你的影响最大

二 基于地理位置的分析

1 抓取以某个城市为发微博的地理位置的微博数据，并且抓取发微博的用户的相关信息

2 对数据清洗，通过用户资料筛选出是否土著居民，还是旅游出差之类的数据

3 对数据分析，通过发微博的时间啊，某个地点发微博的次数啊，发微博出现最多的关键词

这些应该能得到一些有意思的数据

三 自然语言处理

微博的大量的文本数据可以做自然语言处理，情感分析之类的很多研究

四 热点事件追踪

1 通过关键词的搜索，跟踪热点事件

2 很多热点事情都是某个微博开始发酵的，可以抓取转发路径，找出哪些是重要的转发节点，

抓取评论内容，看看网友对这件事情的态度。

3 监控微博博主的粉丝增加数量的变化

五 计算机视觉相关研究

1 抓取微博出现的，做计算视觉相关的研究

2 抓取微博用户的头像，做人脸识别之类的，应该很有意思。

六 个人微博数据分析

1 发微博时间

2 微博出现的关键词

3 你点过哪些赞，评论过哪些微博。

4 和哪些人发过私信，这些都可以研究，关键是找到合适的模型

监督学习

目前，基于监督学习的情感分析仍然是主流，除了（Li et al,2009）基于非负矩阵三分解（Non-negative Matrix Tri-factorization），（Abbasi et al,2008）基于遗传算法（Genetic Algorithm）的情感分析之外，使用的最多的监督学习算法是朴素贝叶斯，k最近邻（k-Nearest Neighbor，k-NN），最大熵和支持向量机的。而对于算法的改进主要在对文本的预处理阶段。

基于规则/无监督学习

和基于监督学习的情感分析相比，基于规则和无监督学习方面的研究不是很多。除了（Turney,2002）之外，（朱嫣岚 et al,2002）利用HowNet对中文词语语义的进行了情感倾向计算。（娄德成 et al,2006）利用句法结构和依存关系对中文句子语义进行了情感分析，（Hiroshi et al,2004）通过改造一个基于规则的机器翻译器实现日文短语级情感分析，（Zagibalov et al,2008）在（Turney,2002）的SO-PMI算法的基础上通过对于中文文本特征的深入分析以及引入迭代机制从而在很大程度上提高了无监督学习情感分析的准确率。

跨领域情感分析

跨领域情感分析在情感分析中是一个新兴的领域，目前在这方面的研究不是很多，主要原因是目前的研究还没有很好的解决如何寻找两个领域之间的一种映射关系，或者说如何寻找两个领域之间特征权值之间的平衡关系。对于跨领域情感分析的研究开始于（Blitzer et al,2007）将结构对应学习（Structural Correspondence Learning，SCL）引入跨领域情感分析，SCL是一种应用范围很广的跨领域文本分析算法，SCL的目的是将训练集上的特征尽量对应到测试集中。（Tan et al,2009）将SCL引入了中文跨领域情感分析中。（Tan2 et al,2009）提出将朴素贝叶斯和EM算法的一种半监督学习方法应用到了跨领域的情感分析中。（Wu et al,2009）将基于EM的思想将图排序（Graph Ranking）算法应用到跨领域的情感分析中，图排序算法可以认为是一种迭代的k-NN

职工有下列情况之一的，可申请提取本人住房公积金：

1、离休、退休的;

2、完全丧失劳动能力，并与单位终止劳动关系的;

3、出国定居或到港、澳、台定居的;

4、与单位终止劳动关系两年仍未就业，且家庭生活严重困难的;

5、与单位终止劳动关系未再就业，男性已满50周岁、女性已满45周岁，且家庭生活困难的;

6、非成都户籍职工与单位终止劳动关系离开本市、成都户籍职工与单位终止劳动关系且户籍迁出本市的;

7、职工死亡或被宣告死亡的，由其继承人或受遗赠人申请提取职工个人住房公积金账户内存储余额。

成都住房公积金提取流程如下：

1、申请人准备好办理提取业务的相关证件和材料，并如实填写《金华市住房公积金提取申请书》。

2、申请人携带《申请书》及相关证件和材料到金华市公积金中心提出申请。

3、公积金中心进行审核，经审核同意后出具《住房公积金提取结算凭证》，审核不通过的通知申请人不能通过的原因。

4、申请人携带本人身份证、《住房公积金提取结算凭证》，到受托银行办理提取现金即可。

扩展资料：

住房公积金，是指国家机关和事业单位、国有企业、城镇集体企业、外商投资企业、城镇私营企业及其他城镇企业和事业单位、民办非企业单位、社会团体及其在职职工，对等缴存的长期住房储蓄。

住房公积金的定义包含以下五个方面的涵义：

（1）住房公积金只在城镇建立，农村不建立住房公积金制度。

（2）只有在职职工才建立住房公积金制度。无工作的城镇居民、离退休职工不实行住房公积金制度。

（3）住房公积金由两部分组成，一部分由职工所在单位缴存，另一部分由职工个人缴存。职工个人缴存部分由单位代扣后，连同单位缴存部分一并缴存到住房公积金个人账户内。

（4）住房公积金缴存的长期性。住房公积金制度一经建立，职工在职期间必须不间断地按规定缴存，除职工离退休或发生《住房公积金管理条例》规定的其他情形外，不得中止和中断。体现了住房公积金的稳定性、统一性、规范性和强制性。

（5）住房公积金是职工按规定存储起来的专项用于住房消费支出的个人住房储金。

参考资料：

《成都住房公积金提取管理办法》-成都住房公积金管理委员会

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。