行业洞察 | 未来人形机器可能是最懂你的人

近期，小米展示了全尺寸人形仿生机器人CyberOne。据悉，CyberOne身高177CM、体重52KG，艺名“铁大”，能够感知人类情绪、视觉敏锐、可实现双足运动姿态平衡。同时，这款全尺寸人形仿生机器人能够感知45种人类语意情绪，拥有8米内深度信息精度可达1％。小米集团创始人、董事长兼CEO雷军表示，CyberOne以人工智能为内核，以标准人形为载体，是小米对未来科技生态的一次探索，也是小米多元融合技术体系的新成果。该机器人最让人惊艳的是其45种人类语义情绪感知能力，让机器人不再是冰冷的金属材料拼接，变得心灵有“温度”可感知。

语义情感分析

语义情感分析属于知识挖掘的范畴，包含信息抽取、观点挖掘、标签建设、图谱建设等任务。情感分析又称倾向性分析，或意见挖掘，它是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。利用情感分析能力，可以针对带有主观描述的自然语言文本，自动判断该文本的情感正负倾向，并给出相应的结果。

主流技术

目前主流技术主要分为两种。一种是基于情感词典的情感分析。是指根据已构建的情感词典，对待分析文本进行文本处理，抽取情感词、计算该文本的情感倾向。最终分类效果，取决于情感词典的完善性。

另外一种是基于机器学习的情感分析。是指选取情感词作为特征词，将文本矩阵化，利用逻辑回归（Logistic Regression），朴素贝叶斯（Naive Bayes），支持向量机（SVM）以及神经网络（Neural Networks）等方法进行分类。最终分类效果，取决于训练文本的选择以及正确的情感标注。

目前有些研究者将二者结合，例如某些领域的文本没有标注，该领域的情感词典也不够完善，而人工标注需要耗费大量成本，数据的采集相对于人工成本小很多时；可以选取部分文本，利用基本情感词典的方法粗略地计算这些文本的情感得分值，选取分值偏高或偏低的文本作为已标注的训练文本，再结合机器学习的方法进行分析。根据语义分析的粒度不同，又分为文档级别、句子级别、对象级别、词汇级别的情感分析。

发展趋势

近年来，NLP领域的SOTA模型基本都是基于预训练的，目前大多情感分析任务都是在预训练模型的基础上进行，综述文章《S. Poria, D. Hazarika, N. Majumder, and R. Mihalcea. Beneath the tip of the iceberg: Current challenges and》 列举了IMDB、SST-2/5、Semeval 数据集在不同方法上的指标，SOTA情感分析模型的结果无一例外都是基于预训练模型。

虽然业界 SOTA 模型在一些粗粒度情感数据集上能达到超过 95% 的准确率，但在细粒度和复杂任务上，目前的效果还远不如人类水平。同时情感分析模型在多个场景的迁移能力较差，需要更多的学者研究多域自适应算法解决这一问题。

对于应用场景方面，随着电商、智能客服、舆论媒体、社交媒体、人形机器人等技术的发展，情感分析在这些方向都能落地。也许，未来有一天，你会发现，这个世界上最懂你的是人形机器人。