什么是情感领域？情感领域包括哪些范畴？

一女性朋友

时常对我暧昧，宝贝儿长宝贝儿短的叫

我不是一个开放的性格，稍微有点保守

每次她叫我或过来搭我肩膀我都特别害羞，

身体就僵住似的，不敢做多余的动作，避免触碰她

我们认识2年多，认识以后，她就没有过男朋友

以前的很多坏习惯，我偶尔间提起的时候

她就慢慢的改掉这些，她没有给我告白过

或许她想让我主动一点吧，毕竟时间也不短

我和她睡过一张床，吃过一个苹果，喝过一瓶水

刚认识的一段时间还容易碰到她上洗手间不关门

对此我总是尴尬不已，也说很多次，但她就是不听

我经常做饭给她吃，也时常对她发不经意的小脾气

对此她只是笑笑，她一直不会做饭，她说她也不想学

她说她有煮面的手艺就行，不过她煮面的却超级好吃

我请教过怎么煮这么好吃的面，她笑笑沉默不语

我也只好作罢，不过她说以后我会知道的

我接触她这么长时间，现在发现一点都离不开她，

最近她总是早出晚归，我有点担心失去她，

我想和她告白，但又怕委屈她，孤独她。

我怕她会离我越来越远，我怕她会一去不回。

我更怕我们在一起，她委屈的样子，她哭的样子

唉

这个怎么讲呢，毕竟这个也是对人的吧，我有一个特别要好的女性朋友，她呢，是那种开朗的性格、但是有时候还是会傻傻的、给人一种蠢蠢的感觉，说白了就是太单纯了吧， 她也知道我喜欢她，但是她呢，有一个套路蛮多的男朋友，总是以各种理由找她借钱呐、什么的，她俩真正在一起的时间也没多久，差不多一星期吧，这个男生呢98年的，据我了解她说是在一家名叫神华的企业里边做外购部总经理、我也不是特别相信他这个男朋友的工作，带着半信半疑的态度、前一段时间她不管出了什么事都会跟我讲，我也很乐意帮助、但是我再过几天就辞职了，感觉我现在越来越离不开她了。

这个问题应该是针对 情感 领域的创作者 ，如何保证 情感 领域发文的 垂直度 。

我也是申请的 情感 领域创作者，觉得 情感 这个范畴非常宽泛，以下是我对 情感 领域的理解：

情感 在中定义为： 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。 这一段话太抽象了，不容易理解。

而从心理学的角度看， 情感 是一种主观感受。这样的解释也是非常的 笼统抽象 。

我的理解是， 情感 领域包括 感情、情绪与心情 。我喜欢把关于 情感 的定义具体到一些描述 情感 的词汇 中。

感情应该就是 爱情、亲情、友情 了；

和爱情有关的，就是围绕着 结婚、离婚、出轨、背叛、丈夫、妻子、情人、小三 等这些内容的事件；

和亲情有关的，是讲述 父母和子女、儿媳和公婆、女婿和岳父母、以及和叔叔舅舅 等其他亲属之间发生的事情；

和友情有关的，就是和 各种朋友 之间的事情了。

情绪和心情呢？比如： 喜欢、喜爱、高兴、爱好、爱慕、反感、厌恶、嫉妒、生气、愤怒、发怒、心烦、 等等，这些词汇所描述的，就是情绪和心情。并且事件的主体是要突出这些情绪和心情，而不是其他范畴，如果主体是其他范畴，那就不是 情感 领域了。

比如：“小时候过年时，做什么事最高兴？”这个问题的主体是高兴，那就属于 情感 领域；如果将问题描述成：“我们小时候都是怎么过年的？”这个问题的主体就是过年的习俗，就是文化领域了。

这些是我自己摸索总结的一些认识和经验，一定会存在偏差，希望得到您更准确的指点和意见。

我也是申请的 情感 领域创作者，觉得 情感 这个范畴非常宽泛，以下是我对 情感 领域的理解：

情感 在中定义为： 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。这一段话太抽象了，不容易理解。

而从心理学的角度看， 情感 是一种主观感受。这样的解释也是非常的笼统抽象。

我的理解是， 情感 领域包括感情、情绪与心情。我喜欢把关于 情感 的定义具体到一些描述 情感 的词汇中。

感情应该就是爱情、亲情、友情了；

和爱情有关的，就是围绕着结婚、离婚、出轨、背叛、丈夫、妻子、情人、小三等这些内容的事件；

和亲情有关的，是讲述父母和子女、儿媳和公婆、女婿和岳父母、以及和叔叔舅舅等其他亲属之间发生的事情；

和友情有关的，就是和各种朋友之间的事情了。

情绪和心情呢？比如：喜欢、喜爱、高兴、爱好、爱慕、反感、厌恶、嫉妒、生气、愤怒、发怒、心烦、等等，这些词汇所描述的，就是情绪和心情。并且事件的主体是要突出这些情绪和心情，而不是其他范畴，如果主体是其他范畴，那就不是 情感 领域了。

各大自媒体平台 情感 领域范畴比较广。 情感 领域是个大领域。

可以包括恋爱，婚恋，婚姻，还有明星 情感 八卦，等都可以归于 情感 领域。

情感 领域的选材也比较广泛。恋爱可以写暗恋，谈恋爱，恋爱难题，恋爱奇葩事。婚恋可以写相亲，乡村 情感 事。婚姻可以写 情感 经历， 情感 曲折，真人真事。八卦可以写明星 情感 八卦。 情感 综艺节目八卦。

什么是 情感 领域？包括有那些范畴？还真不好说！

不过我有个朋友他发生的很多！很多事！不知是属于 情感 领域的范围内的？

慢慢道来：让大家帮分析！分析！！！

这位朋友出生时就多灾多难，这后又患上脑膜炎，但让他幸运的是在新 社会 出生的，所以治病的钱全免了，而且国家还对他的后期生活给于了很多帮助和照顾。

让他顺利地上了学，因兄弟多，上完初中就惙学了，为照顾残疾村委让他当了村里的赤脚卫生员。为了帮村民治好病，减轻治病负担，因那个时期的村民非常缺钱，卫生所缺药，“一个村连买台手扶拖拉机几呼都非常困难，“他就亲自上山采药为村民治病，碰上困难的病人就免费或少收费。

因朋友他做事认真，吃苦好学，写了很多有关医学方面的专科论文，并参加过多次学术会，还获得过发明的中成药专利证书。

在一次开学术中认识了一位姑娘，因姑娘和他是同乡，在多次治病中，他的治疗医术和医风医德把个姑娘感动得泪水哗啦的！向他表白要嫁他，而且是非他不嫁的那种架势。这可让我那个朋友犯难啊！

因他知道自己是一个残疾人，这么如花似玉的姑娘跟着你，不是糟蹋人家吗？我连“ 牛粪“都不是，怎么养她哟？

经过她的家人从中认可后，才知她是真的喜欢我朋友的，爱我朋友的，我朋友这才相信他自己“不是在做梦“了！

朋友在幸运中获得到的爱情，是因为这后从见了她朋友的父亲后才从中了解到，是她的父亲在暗中访了几次才确定下来的……。

所以认为，朋友在他一生的中，所经历过的、获得过的国情、民情、友情、爱情，这些应该就是 情感 领域中的基本范畴吧！

我认为，只要涉及到人和人之间感情的问题，都可以归到 情感 领域。

亲情，友情，爱情，师生情，邻里情等等。包括人们经常谈起的婆媳之间的感情都可以算是 情感 领域。其实 情感 领悟可写的东西很多。其中婆媳关系，那是老生常谈，永远也说不完的话题，只要想写，永远有东西可写。亲如母女的婆媳关系，水火不容的婆媳关系，相敬如宾，井水不犯河水的婆媳关系等等，可以说的太多了。还有目前经常提起的丧偶式教育，其实丧偶式教育看似是教育问题，其下面隐藏了，冷淡的夫妻关系，疏远的父子关系，父女关系等等，也有永远说不完的话题。再有红颜知己，蓝颜知己等等这些到底应不应该存在，这种关系对婚姻到底会不会影响到婚姻等，这都属于 情感 范畴。当然男女朋友之间的 情感 ，以及婚姻那更是永远也说不完。

各大自媒体平台 情感 领域范畴比较广。 情感 领域是个大领域。

可以包括恋爱，婚恋，婚姻，还有明星 情感 八卦，等都可以归于 情感 领域。

情感 领域的选材也比较广泛。恋爱可以写暗恋，谈恋爱，恋爱难题，恋爱奇葩事。婚恋可以写相亲，乡村 情感 事。婚姻可以写 情感 经历， 情感 曲折，真人真事。八卦可以写明星 情感 八卦。 情感 综艺节目八卦。

还有 星座 配对恋爱等也很受用户喜爱，就看自己对哪方面感兴趣，越细分越好。垂直度越高～希望对你有帮助

我是诉请者！我当初选填的就是 情感 领域创作者。除了对 情感 领域比较感兴趣，也觉得 情感 领域比较适合我。毕竟对别的领域不太了解。

我个人认为的 情感 领域范围比较广。因为每个人都有感情，都有思想，我说的话会有人能够达到共鸣。 情感 包括 亲情，友情，爱情。 在往里面剖析的话亲情包括 父母之间，兄弟之间，姐妹之间，叔叔婶婶，七大姑八大姨，爷爷奶奶，外公外婆。 亲情一直都围绕在我们身边。其次是友情。每个人都会有一两个要好的朋友，朋友之间的故事永远也说不完。最后就是爱情。爱情这个东西真奇妙，围绕爱情的话题也一直存在，永不消逝！

再然后就是自己的 情感 了，自己的喜怒哀乐都属于 情感 ：开心，难过，伤心，骄傲，愤怒，生气……这些 情感 都值得写下来。

每一天都会有 情感 发生，公众的，私人的，我们的可以记录下来。相信我坚持努力，我会在这个领域有所成长的。

感谢你们的阅读！欢迎在下方评论！

人都有七情六欲，七情按《礼记》的观点指喜、怒、哀、惧、爱、恶、欲，按儒家的说法是喜、怒、哀、惧、爱、恶、欲，按佛教的说法则是喜、怒、忧、惧、爱、憎、欲，而医家的七情是喜、怒、哀、乐、爱、恶、欲。

人类的 情感 ，在我的理解，是对接触这个世界而产生的感知， 情感 领域涵盖人类所产生的所有的情绪，对事件，人物的态度！

我选择 情感 领域，是因为我感觉这个领域神秘又伟大，无法预知，无法控制，却又为人津津乐道，时间的一切既因为他相关联，又因为他产生各种争斗和故事，好的回答，答疑解惑，一般的回答陈述内心，在一般的，博人眼球，每一个问题都引人深思

这六个层次是递进的。

布鲁姆等人将教学目标分为认知、情感和动作三个领域，每个领域的目标又是由低到高分成若干层次。 认知领域的目标包括知识、领会、应用、分析、综合和评价等六级水平。该教育方法指出，问题有简单和复杂，按照学习目标进行提问。

知识：能从长时记忆中找到和识别接受到的信息。

举例能够叙述能量守恒定律。

理解：把握知识材料意义的能力。可借助三种形式来表明：

一、转换，即用自己的话或来表达所学的内容。

举例对一个抽象概念举例、古文或外文的翻译等。

二、解释，即对一项信息加以说明或概括。

举例对文章大意的概括等。

三、推断发展的趋势。

举例让学生判断放在光滑曲面上的小球受到一个推力作用时将如何运动等。

运用：把学到的知识应用于新的情境。

举例运用所学的电学知识安装电路电灯。

分析：把复杂的整体材料分解为组成部分，并理解各部分之间的联系的能力。

举例分析记叙文构成要素分析。

综合：将所学知识的各部分重新组合，形成一个新的知识整体。

举例通过一系列的实验观察，引导学生归纳出自由落体运动的规律和公式。

评价：对材料（如论文、小说、诗歌、研究报告等）做价值判断的能力。

举例能判断自己所证明的几何题目的正确性。

扩展资料

另外两个领域的层次：

一、情感领域（active domain）

情感领域的教学目标，以克拉斯沃尔(Krathwohl DR)为首，于1964年提出，分为5个层次：

1、接受

2、反映

3、形成价值观念

4、组织价值观念系统

5、价值体系个性化

二、动作技能领域(psychomotor domain)

布鲁姆在创立教育目标时仅意识到动作技能领域的存在，未制定出具体目标层次。1972年Simpson EJ提出动作技能领域教学目标分7个层次：

1、知觉

2、定势

3、指导下的反映

4、机械动作

5、复杂的外显反映

6、适应

7、创新

-布鲁姆教育目标分类法

人类情感领域起码涉及社会生活、职业生活、家庭生活、夫妻生活中的各方面言行举止。

各自媒体平台讲究作者兴趣爱好认证与创作领域。而且强调创作内容专一垂直。这样虽然促使作者在学习研究及创作时把握内容板块，显得杂乱无束。

可是，有的内容是多维性的范畴。当平台对作品划分类属时，就容易偏见以至打压，伤害者自尊心，埋没作者成果。

例如关于职场中下级对上级情感表现，既可划为职场技巧，也可作为生活经验，还可以视为情感生活以及心理素质。作者好不容易策划分析创作文图或视频，发布后被“不符合领域，扣分处罚”。这种偏执武断地自以为是的打压，本身就不符合职业生活情感

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。

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

情感解析技术实质上也就是人工智能中的自然语言处理技术中的一种。

也许前两年我还很难回答你这个问题，不过随着机器学习技术、硬件迭代等因素这两年人工智能得到了极大的发展，自然语言处理也就有了越来越多地实用价值。

在正式回答你的问题之前，我们先要明白，作为人工智能技术基础的机器学习，其最重要的就是需要有充分大的样本数据进行训练，即需要先给机器一些已知“情感”的语言数据，才可以获取最终的解析引擎。这一点尤为重要，因为这决定了能产生使用价值的领域一定存在着易获取、易分析的语言数据才行。当然同时又要对顾客/消费者的情感反馈有着积极地需求。

以这两个为条件，那么结果显而易见了：

1、对话机器人。诸如微软小冰、苹果siri等。非常容易理解，因为“对话”本身就是语言数据之间的沟通，而情感数据作为从语言数据中提炼出来的附加价值信息，对智能对话机器人的“人性化”来说当然是有百利而无一弊。而且，对于这些大企业来说，巨量的语言数据也相当容易获取。

3、情绪客服质检。这是一个很容易被忽略的行业，但是确实人工智能情感解析最直接最有效的应用之一。试想一下，客服质检需要做的是什么工作：判断客服人员工作是否到位……传统的客服质检只能通过堆叠人力的方式，主观、抽样判断。而现有的所谓“客服质检”系统也只不过是关键词提取、匹配，根本不是质检。但是情绪解析的出现彻底改变了这一状况，其实也不难理解，因为判断客服工作最直接的指标不就是顾客的“满意程度”嘛，而通过情绪解析获取的顾客通话或文本输入中的“情感状态及变化趋势”不就满足了这一条件。唯一的一个问题就是这需要很强的情绪解析实践能力，对准确率和技术基础有着很高的要求，故目前为止也只有很少几家诸如语忆科技等提供商才有这样的技术。但事实上，客服质检一定会是最需要情绪解析的细分行业之一。

2、各种评论分析。这点也不难理解，在当今电商消费已经变成主流的网络时代，电商上会产生海量的评论数据。在以前，由于评论量不多，且是非结构化数据，文本处理能力又有限，导致品牌方们很难从中获取有用的信息，从而有巨量的评论数据被浪费。但是如今已经不一样了，像以上所提到的一些优秀的引擎提供商，不仅可以从评论中提取关键词、还能通过情绪解析明白用户的满意程度。一些上文提到的供应商有的还能做到对特定关键词的观点提取。这些都能帮助甲方从评论中挖掘非常有价值的消费者洞察。不难想象，一旦技术成熟，像评论一样的非结构化数据作为用户想法的直接传递，其价值将会远超那些“浏览量”“互动率”等结构化数据……

……

除此之外，还有如书籍分析归类、教育辅导优化、歌词台词总结等等很多应用场景，只不过有些商业价值不明显的领域仍然需要大胆的创新者去研究和开拓。不过无论如何，在这个人工智能兴起的时代，情绪解析仍处于朝阳时代，还具备着极大的潜力等待被挖掘~