首先需要清楚“判斷標(biāo)準(zhǔn)”。多數(shù)情況下默認(rèn)的情感分析的評判標(biāo)準(zhǔn)是“一段文本的情感多分類的準(zhǔn)確性”。這是有問題的。因為聊天不同于陳述，這背后涉及到一個本質(zhì)的區(qū)別——“是否有交互”。一旦涉及到交互，情感分析（sentiment analysis）評判標(biāo)準(zhǔn)的復(fù)雜度就要上升不止一個數(shù)量級了。

“AffecTIve CompuTIng”（情感計算）和NLU是AI領(lǐng)域重要的研究方向，而其中針對中文的情感、情緒識別與理解，竹間智能已經(jīng)做了許多研究與探索，希望幫助AI在語義理解的基礎(chǔ)上更進(jìn)一步，實(shí)現(xiàn)真正的人機(jī)情感交互。此次我們邀請 竹間智能高級算法工程師鄧霖，來深入地分享一些竹間在中文情感、情緒識別上的經(jīng)驗，并從技術(shù)，商業(yè)，人文等多個角度談?wù)勅绾卧趯υ捴信袛嗪屠们楦?，以及情感判斷的重要意義。希望對大家有所幫助。

本文行文結(jié)構(gòu)如下，共分為三個部分：

一、 無交互的情感分析，其普遍的技術(shù)實(shí)現(xiàn)方式及商業(yè)應(yīng)用

二、 交互式情感分析的難處和解決思路

三、 情感在人類信息溝通中的意義和作用，以及如何應(yīng)用

一、 無交互的情感分析，其普遍的技術(shù)實(shí)現(xiàn)方式及商業(yè)應(yīng)用

1. 無交互文本情感分析的普遍技術(shù)實(shí)現(xiàn)方式

情感分析（senTIment analysis）又稱傾向性分析，意見抽取（Opinion extracTIon），情感挖掘（Sentiment mining），主觀分析（Subjectivity analysis）等，是對帶有情感色彩的主觀性文本進(jìn)行分析、處理、歸納和推理的過程。

目前，情感分析在傳統(tǒng)機(jī)器學(xué)習(xí)上的主要研究方法還是基于一些傳統(tǒng)算法，例如，SVM、信息熵、CRF等?；跈C(jī)器學(xué)習(xí)的情感分析，其優(yōu)勢在于具有對多種特征建模的能力。要用人工標(biāo)注的單個詞作為特征，而語料的不足往往就是性能的瓶頸。

當(dāng)然也有基于情感詞典的情感分析方法，也就是應(yīng)用情感詞典中記錄的詞語或短語的情感傾向程度和強(qiáng)度信息對文本進(jìn)行情感分類。這個就比較依賴于人工構(gòu)建和抽取的特征了。會受到情感詞典本身的質(zhì)量以及適用領(lǐng)域的局限，否定詞也是一個小坑。（構(gòu)建情感詞典一般采用bootstrapping的方法）

至于深度學(xué)習(xí)在情感分析上的種類就比較多了，有各種方法的綜合創(chuàng)新，比如有利用LSTM結(jié)合句法分析樹，還有基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的。除了準(zhǔn)確率能有明顯的提高外，重要的是可以自動從無標(biāo)注的文本中學(xué)習(xí)文本中的隱藏特征，并可以實(shí)現(xiàn)端到端的分類。

這些技術(shù)也并不獨(dú)立，往往都是混合使用，以此來取長補(bǔ)短，從而達(dá)到一種相對均衡的效果。

2. 無交互的文本情感分析的商業(yè)應(yīng)用

● 情感分析最大的應(yīng)用層在于評論的篩選和歸類，之所以這個應(yīng)用最廣泛，就是因為第一這個應(yīng)用離商業(yè)價值很近，第二不需要做到特別深，很多時候只要做到正負(fù)分類就能產(chǎn)生可見的收益了。比如對于一個餐廳來說，能夠做到把關(guān)于自己的相關(guān)好評自動抽取并在自己的網(wǎng)站輪播也許就夠了。

電商平臺里關(guān)于商品評論的標(biāo)簽提取也可以說是情感分析。

關(guān)于評論的情感分析，再做深一點(diǎn)就是意見挖掘，這就涉及到關(guān)聯(lián)規(guī)則了。也就是做得更細(xì)，能看到用戶到底是對產(chǎn)品的哪個屬性滿意或者不滿，比如我覺得這件衣服有色差或者材質(zhì)不夠好等。

再做好點(diǎn)就是能把情感的強(qiáng)度表示出來（強(qiáng)正面，弱正面，中性，弱負(fù)面，強(qiáng)負(fù)面），以及增加情感的分類。

也可以反向思考，利用情感分析評論，做用戶的分類聚類。

● 還有一個應(yīng)用是預(yù)測社交網(wǎng)絡(luò)上的輿論走向。美國大選那段時間，情感分析發(fā)揮了至關(guān)重要的預(yù)測作用，通過利用Twitter上的大量文本進(jìn)行分析，來預(yù)測整體的輿論走向。這也是在傳統(tǒng)調(diào)查都顯示特朗普會輸?shù)臅r候他卻表現(xiàn)得穩(wěn)如泰山的原因。

這方面自己做得好玩的話，可以爬爬社交網(wǎng)站中熱門事件的回答和評論，然后分析分析輿論的走向，說不定就成了一個PR的專業(yè)分析產(chǎn)品了呢。還可以看看有多少輿論問題是從網(wǎng)站中炒起來的，企業(yè)還是相當(dāng)在乎相關(guān)輿論的走向的，畢竟輿論錯位導(dǎo)致的用戶認(rèn)知改變不是隨便砸錢就能扳回來的。所以要是實(shí)現(xiàn)了高準(zhǔn)確率的預(yù)測，對于企業(yè)來說，或許可以一定程度上做到防患于未然。

● 以上這些都算相對直接的應(yīng)用。其實(shí)間接性的話，其實(shí)情感分析的偏向性判斷對于構(gòu)建較深層的個性化推薦系統(tǒng)有著比較大的幫助，能較好地理解對于不同種類商品以及不同屬性的偏好程度，從而具備一定的符號推理能力，相對于目前無論是按 itemCF、userCF 還是隱語音模型方式的推薦系統(tǒng)都更具有可解釋性與理解力。

當(dāng)一點(diǎn)點(diǎn)逐步知道了偏好傾向性后，其實(shí)關(guān)于用戶的精準(zhǔn)建模也就慢慢清晰了，從多個偏好中還能進(jìn)行進(jìn)一步的挖掘來推理用戶屬性。一個深刻的用戶模型能產(chǎn)生的商業(yè)價值是不言而喻的。當(dāng)然關(guān)于用戶的建模目前的研究也不多，基本是個藍(lán)海，我們正在嘗試去實(shí)現(xiàn)，從文本中不斷收集用戶的偏好、屬性等，再進(jìn)行進(jìn)一步的挖掘和推導(dǎo)。這邊先不展開了，以后會有文章展開細(xì)說的。

二、交互式的文本情感分析

上面說的其實(shí)都是“0交互的情感分析”任務(wù)。

都是以單人敘述的方式，可能是短句子也可能是一段話，都有一個核心共同點(diǎn)——“沒有交互”。

所以相對而言比較容易，只要按無交互的敘述方式做解決方案就好：就像分析微博一樣，去判斷這些短文本就行了，然后再增加一個持續(xù)的情緒疊加和衰減的函數(shù)就可以了。

不過似乎這樣做下去能夠帶來的價值還遠(yuǎn)遠(yuǎn)不夠。

這里要明確幾個問題：

● 情感在人類信息交互時的作用是什么？

● 知道了情感狀態(tài)后能干什么？

● 怎么最大化地利用這些信息創(chuàng)造價值？

一直相信一句話——“問題比答案重要”，知道問題是第一步，尤其是在不確定性這么高的時代下。

這三個問題其實(shí)需要站在更高的層面去思考，也就是首先要從情感在人類信息溝通中的意義開始思考，再推理出怎么應(yīng)用，以及怎么更高效率地運(yùn)用。這些問題稍后來探討，我們先來看看有了交互后的情感分析會有什么變化？

為什么一旦有了“交互”，情感分析就變得那么難？

第一：交互是一個持續(xù)的過程而不是短時固定的。而這從本質(zhì)上改變了情感判斷的評價方式。在無交互的時候，比如商品評論，你判斷這段話是什么情感分類后就可以實(shí)現(xiàn)價值了，是清晰的分類任務(wù)。但用在對話上就不太一樣了，情感狀態(tài)持續(xù)在變，分析任何單一的一句話是沒有很大意義的，這不再是一個簡單的分類任務(wù)了。對于持續(xù)的過程，簡單的解決方案是加一個增益和衰減的函數(shù)，但這個函數(shù)怎么寫？理論依據(jù)是什么？怎么判斷這個函數(shù)寫得好不好？難道靠人工標(biāo)注的數(shù)據(jù)去分析么。

第二：交互的存在將大部分的狀態(tài)信息都隱藏了起來。在明面上能看到的不到5%，只是冰山一角（用類似于隱馬爾可夫的方式去理解）。并且交互的雙方都默認(rèn)對方知道很多信息。比如溝通主客體之間的關(guān)系狀態(tài)、彼此的需求目的、情緒狀態(tài)、社會關(guān)系、環(huán)境、之前聊到的內(nèi)容，以及都具備的常識，性格，三觀等等。

然后你會發(fā)現(xiàn)以下一些現(xiàn)象：

1.兩個人之間共同的信息越多就越難，因為隱藏狀態(tài)的作用越大，隱藏狀態(tài)的維度越多。

2.不同的人之間存在著不同的交流范式。

這個范式的變化取決于其他的各種環(huán)境信息（包括時間，地點(diǎn)，你們的關(guān)系狀態(tài)，彼此的情緒，共同的經(jīng)歷，自己的聊天習(xí)慣等等）。

即便是相同的人，他們之間的交流范式也是一個動態(tài)變化的過程，這個想必大家深有體會，比如兩個人在戀愛的過程中，他們之間的交流方式會因為感情的升溫和降溫而有所不同。

回想幾個生活中實(shí)際的經(jīng)歷：

1.找到一個微信對話，回想一下，在具體聊天的時候是不是都涉及到了這些隱藏的狀態(tài)和不同的范式。

2.當(dāng)你在和你覺得重要的人聊天的時候，是不是非常關(guān)心對方的情感狀態(tài)，而且需要推理這個狀態(tài)。

第三：交互涉及到信息的跳躍。當(dāng)你自己一個人說什么的時候往往都是比較有邏輯的，連貫的。但聊天和個人陳述完全是兩件事，聊天會有較大的跳躍性。這種不確定的信息跳躍性指數(shù)級地增大了情感分析的難度。

這就是為什么加入了交互因素情感分析變得這么難判斷的原因，首先是評價方式改變了，而且這個評價方式很復(fù)雜，沒有什么可借鑒的。再從第二第三原因可以看到，這對于機(jī)器學(xué)習(xí)來說數(shù)據(jù)維度太稀疏了（顯性的狀態(tài)就只有文本，表情等，多數(shù)狀態(tài)都是隱藏的），再加上跳躍性，因此這種靠統(tǒng)計的方式，想把準(zhǔn)確率做高，其困難程度可想而知。

因此要想突破瓶頸，就需要在這三個問題上找解決方案。

舉個例子，第一個問題，我們目前的評價方式的理論依據(jù)是心理學(xué)和認(rèn)知科學(xué)的理論，當(dāng)然這個還在探索。第二個問題，既然是缺，那就補(bǔ)，想辦法找到更多數(shù)據(jù)輸入進(jìn)來，多維度（圖片，表情，顏文字等）的語義理解是一個思路，即多模態(tài)分析的思路。第三個問題，暫時屬于好像沒頭緒的狀態(tài)，結(jié)合知識圖譜和符號規(guī)則，這是一件看似簡單卻無比困難的事情，可能會有各種阻礙。

下面我簡述一下目前關(guān)于第二、三個問題稍細(xì)致點(diǎn)的解決方案。

提到問題的解決方案，會比較自然地想到通過LSTM來解決上下文記憶問題，只是效果不太好，原因第一是大部分隱藏狀態(tài)不出現(xiàn)在文本里，第二是交互對話信息的跳躍，這導(dǎo)致LSTM的記憶其實(shí)作用不是太大。但相比其他方法確實(shí)LSTM在對話中的效果是有顯著提升的。

比較新的方式是：Seq2Seq模型上加情感向量，將情感狀態(tài)放入LSTM再加入情感詞加權(quán)生成回復(fù)。

進(jìn)一步的話，可以利用NLU語義理解，從文本中抽取重要的實(shí)體和意圖，作為特征加入到學(xué)習(xí)中，并且加上一套規(guī)則，結(jié)合用戶的建模模型后再輸出最后的對話語句。

繼續(xù)深入的話，其實(shí)就是找到隱藏的信息狀態(tài)并加入到計算中，也就是多模態(tài)，內(nèi)部的多模態(tài)設(shè)計，emoji+照片+表情包+文本長度等等，外部的多模態(tài)就是加入了識別的面部表情+給我提供的標(biāo)簽（比如性格，星座，愛好，年齡，性別等等）+語音等等。利用這些信息的規(guī)則其實(shí)也相當(dāng)重要，更多的靠的是對人性的理解。

目前竹間智能正在努力做好第二和第三步，即更深的語義理解和多模態(tài)情感分析。

三、情感在人類信息溝通中的意義

上一部分講到了交互式的情感分析的困難。那既然那么困難，為什么還要做？

答案是：因為這很重要。

人類進(jìn)化的歷史本質(zhì)就是通信的進(jìn)化歷史。而情感在信息溝通中扮演著至關(guān)重要的角色。理解情感對于人類個體和人類社會的意義，才能做出懂人的產(chǎn)品。

●情感本身是高級智能的一部分

情感是大腦運(yùn)行資源的調(diào)配者，不同的情感狀態(tài)下大腦的計算資源分配方式差距巨大，因此會采取完全不同的思維執(zhí)行路徑。

情感對于人們的智力、理性決策、社交、感知、記憶和學(xué)習(xí)以及創(chuàng)造都有很重要的作用。

●情感是交互的核心

想必大家應(yīng)該聽過這句話“人類交流中80%的信息都是情感性的信息”，雖然不一定足夠嚴(yán)謹(jǐn)，但自行體會生活點(diǎn)滴也會發(fā)現(xiàn)，情感是交互的核心。

對于個體的來說，我們在交流中表達(dá)情感，很重要的一個作用就是通過情感告知對方我現(xiàn)在的狀態(tài)，一方面給出對于之前交互的狀態(tài)反饋，另一方面讓對方能推斷出我接下來行動的傾向性。

為什么不是內(nèi)容而是情感，能傳遞最多的狀態(tài)信息？

因為從認(rèn)知科學(xué)的角度來看，上面說過情感就是智能的一部分，情感就是大腦運(yùn)行資源的調(diào)配者，不同的情感狀態(tài)下大腦的計算資源分配方式差距巨大，因此會采取完全不同的思維執(zhí)行路徑，從而產(chǎn)出最后不同的結(jié)果。就像在和朋友對話的時候，如果語氣語調(diào)有了明顯變化，大腦就會迅速運(yùn)轉(zhuǎn)來做出各種判斷，從而相應(yīng)地改變自己的行為。千萬年的進(jìn)化使得我們判斷的準(zhǔn)確性很高，不斷的正向反饋也使得我們越來越依賴用識別對方情感的方法來判斷行為傾向這個方式，而且已經(jīng)成為自動運(yùn)行的認(rèn)知方式了。這就是為什么接近80%的信息都是情感信息的原因了，因為信息量高，極大地增加了溝通效率。

溝通效率提升的結(jié)果就是——增加了群體之間協(xié)作的廣度（協(xié)作者的數(shù)量）和深度（協(xié)作內(nèi)容的復(fù)雜性）。群體智能得到了指數(shù)級的提升。

在“我現(xiàn)在的狀態(tài)”中“情感狀態(tài)”是信息量最大的狀態(tài)，通過這個我們可以做兩件事，第一是預(yù)測接下來對方的行為傾向，第二就是可以結(jié)合狀態(tài)來改變反推別人想了些什么以及別人需要什么。

● 人類在交互中的情感帶寬

先提一個概念——“情感帶寬”，即你能表達(dá)的情感的信息量的大小和維度，比如說情感性的信息，往往是從多維度表達(dá)出來的，（口語：語音語調(diào)，語速，聲音大?。簧眢w語言：面部表情，手勢，其他身體動作）等等，舉例如“最是那一眼的溫柔”“眉目傳情”“沉悶的干咳”等等。

到了網(wǎng)絡(luò)，整個范式就發(fā)生了比較大的變化，情感的帶寬也變了。比如在網(wǎng)絡(luò)上交流溝通，我們的情感帶寬好像瞬間驟降了，需要以文本和圖片的方式來表達(dá)。

實(shí)際上在降低的同時，我們的情感帶寬在某種程度上也增加了，增加了幾個新的輸出維度，比如emoji表情、各種表情包、gif圖，回話的時間快慢，正在輸入的狀態(tài)，甚至像Faceu那樣的個人表情包等等都是不斷豐富我們情感帶寬的方式。

社交網(wǎng)絡(luò)上的聊天，文字對話占據(jù)了大部分，但實(shí)際上我們看到文字的時候其實(shí)是在大腦里虛擬者那個人在說的，會自行腦補(bǔ)Ta這么說的時候的語氣和表情等等。

文字文本依然是占據(jù)大部分的，而其他維度信息的縮減其結(jié)果就是——通過語義來推斷情感。

前面講到對話中情感分析的困難，其中一個重要原因就是因為信息維度的稀疏，因此要盡可能從多維度把缺失的情感帶寬給補(bǔ)上。

解決方案上面也說過了，多模態(tài)，內(nèi)部的多模態(tài)設(shè)計emoji+照片+表情包+文本長度等等，外部的多模態(tài)就是加入了識別的面部表情+給我提供的標(biāo)簽（比如性格，星座，愛好，年齡，性別等等）+語音等等。利用這些信息的規(guī)則其實(shí)也相當(dāng)重要，更多的靠的是對人性的理解。

總結(jié)

以上講到了情感識別在交互中至關(guān)重要的作用。

對于整個情感交互來說，情感識別可以說是技術(shù)基礎(chǔ)，在識別之后可以做更深入的事情，“情感表達(dá)”、“需求分析”、“深度用戶建?！薄叭诵曰换ンw驗”等等。

拿深度建模來說，通過和你聊天，就可以用情感分析對實(shí)體進(jìn)行高效率的自動化標(biāo)注，實(shí)現(xiàn)專屬情感詞典。了解到你的偏好以及你的偏好程度，利用你的偏好給你建模，久而久之就實(shí)現(xiàn)了個性化，而不是像Siri那種號稱個人助手實(shí)際上卻不夠個性化的存在。

對情感表達(dá)來說，可以實(shí)現(xiàn)人機(jī)對話系統(tǒng)中情感的誘導(dǎo)，判斷出情感之后自然就可以去影響情緒了，用不同的話語來實(shí)現(xiàn)情感傾向的改變。比如我能判斷我接下來說選哪一句答復(fù)能讓你產(chǎn)生一個情感傾向，可能是高興、驚訝也可能是傷心等等。讓你產(chǎn)生感受這就是進(jìn)一步在實(shí)現(xiàn)交互。

人性化交互體驗的應(yīng)用方向是不言自明的，當(dāng)智能體的“智商”沒有過于顯著的差別的時候，一個稍微有些情商的智能系統(tǒng)更容易被選擇。拿家用機(jī)器人來說，核心的需求其實(shí)是陪護(hù)和娛樂，而要做好這兩件事“情商”是關(guān)鍵。上面也說過情感是信息交互中最重要的反饋，因為信息量最大。因此一個不能很好地理解人類情感和意圖的機(jī)器是做不好交互的。當(dāng)然要實(shí)現(xiàn)這個需要的是一整套的情感系統(tǒng)。

竹間智能Emotibot以類腦對話系統(tǒng)和情感計算為核心，希望以人工智能技術(shù)助力更多行業(yè)、機(jī)構(gòu)及個人擁抱AI時代，分享AI發(fā)展的紅利。

來源：竹間智能Emotibot