文本情感分析----AITIME 第十八期

文本情感分析(Sentiment Analysis)是指利用自然语言处理和文本挖掘技术，对带有情感色彩的主观性文本进行分析、处理和抽取的过程

情感的三种成分

主观体验： 个体对不同情感状态的自我感受
外部表现，即表情： 在情感状态发生时身体各部分的动作量化形式。
面部表情：面部肌肉变化组成的模式
姿态表情：身体其他部分的表情动作
语调表情：言语的声调、节奏、速度和音色等方面的变化
生理唤醒： 情感产生的生理反应，是一种生理的激素水平，有不同的反应模式

情感计算的发展历史

统计机器学习
2000年，Petrushin VA提出基于支持向量机的情感识别
2002年，Breazeal C提出基于高斯混合模型的情感识别
2003年，New TL提出基于隐马尔可夫模型的情感识别
深度学习
2013年，Wollmer M提出基于长短时记忆递归神经网络的情感识别
2015年，Chao LL提出基于注意力模型的情感识别

AI3.0之下的范畴观VS维度观

两个层面：情感语义，技术实现

范畴观： 把人类的情感分成基本类别。优点：与自然语言的形容词接轨，方便在普遍共识的情况下定义。
技术实现上，看做成分类任务

【如美国心理学家艾克曼在1972年提出的六种基本情绪：愤怒（anger）、惊讶（surprise）、沮丧（disgust）、快乐（joy）、恐惧（fear）和悲伤（sadness）】
【Google新发布的情绪数据集GoEmotion，包含了58000个人工标注的Reddit评论，并且将情绪分为28个类别，包括12种积极情绪、11种消极情绪、4种模棱两可的情绪类别和1种中立情绪】

维度观： 三个维度在语义上正交，三维空间内的每一个点都能表达情感状态，与范畴观相比能更丰富细致，甚至动态地描述人类的复杂情感。更契合心理学上描述的复杂情感
技术实现上，看做回归任务

PAD三维情感模型是Mehrabian和Russell于1994年提出的维度观测量模型,该模型认为“情绪具有愉悦度、激活度和优势度3个维度,其中P代表愉悦度(Pleasure-displeasure),表示个体情绪状态的正负特性，即情感的积极或消极程度，
喜欢或不喜欢程度， 这个维度体现了情感的本质;A代表激动度(Arousal-nonarousal ),表示个体的神经生理激活水平，警觉性，
与情感状态联系的机体能量的激活程度有关;D代表主客观(Dominance-submissiveness),表示个体对情景和他人的控制状态。对他人和外界环境的控制力和影响力，主要指个体对情感状态的主观控制程度，用以区分情感状态是由个体主观发出的还是受客观环境影响产生的。

范畴观与维度观并不矛盾，可以相互转化。

情感计算应该更侧重外显数据还是内隐数据？

//心理范式：测试者通过某些固定话术的引导，获取被测者的特征信息
大多数情况下，情感的外显和内隐有其统一的一面。
外显数据更容易获取，内隐数据不容易获取但相对来说更精准。伪装外显数据比伪装内隐数据容易的多。

外显与内隐之间的冲突应该如何处理，外显和外显之间的冲突该如何平衡？

AI3.0是一个数据驱动与知识驱动相融合的阶段，数据的偏向性和知识的局限性得到了更好的弥补。冲突不仅存在于被观测者身上，也存在于观测者身上。如观测者更信赖视觉通道的信息还是听觉通道的信息。一方面，可以让机器进行一个黑盒的学习，另一方面可以进行更多更细致的心理学实验，研究人是如何解决这样的冲突问题的。

情感计算应用

实际应用中，情感的个性化问题
个性化与泛化能力之间存在冲突，现有的解决方式，用一些迁移学习的技术，使得一些已经训练好的模型，在面对一些新的个体时，产生比较好的自适应。
情感计算赋能产业界
面部识别：疲劳驾驶
舆情监控
测谎
精神疾病相关检测
在不侵犯用户隐私的情况下，更好的了解用户