情感计算在人机交互中的感化

在谈论情感计算之前，先来说说情感本身在仁攀类信息沟通中的意义。

情感对于仁攀类的智力、理性决定计划、社交、感知、记忆和进修以及创造都有很重要的感化，甚至有研究显示「仁攀类交换中 80% 的信息都是情感性的信息」。但为什么不是内容，而是情感能传递最多的状况信息呢？其实大年夜认知科学角度来看，情感本身是高等智能的一部分。作为大年夜脑运行资本的的┝寺愤，情感状况的不合会导致大年夜脑计算和分派资本的方法有巨大年夜差别，思维履行路径也会完全不合。别的，仁攀类进化使其情感断定的精确性赓续进步，赓续的┞俘向反馈也使得我们越来越依附用辨认对方情感的办法来断定其行动偏向，甚至已经成为主动运行的认知方法了。

因为情感在仁攀类信息沟通中的意义重大年夜，所以情感计算是实现人道化的人机交互过程中必弗成少的部分，情感辨认与懂得技巧也是人机交互的基本性技巧之一。在此基本上，「需求分析」、「深度用户建模」、「情感表达」、「人道化交互体验」等更深刻的交互设计才能成为可能。

• 拿深度建模来说，经由过程和人聊天，AI 可以用情感分析对实体进行高效力的主动化标注，实现专属的情感词典。懂得用户的偏好甚至偏好程度，并应用这些信息进行建模，久而久之就可以或许实现「个性化」，而不是像 Siri 这种号称小我助手却实际上不敷个性化的存在。
• 对情感表达来说，可以实现人机对话体系对情感的引诱。在断定出情感之后就可以用不合的答复来改变情感偏向，比如对话体系能断定接下来的哪一句答复能让用户产生一个情感偏向，如高兴、惊奇或悲伤等。事实上可以或许让人产生感触感染就是在进一步实现更人道化的交互。

人道化交互体验的应用偏向是不言自明的，当智能体的「智商」没有过于明显的差其余时刻，一个稍微有些情商的智能体系就会更轻易被选择。当然这一点的实现须要一整套的情感分析体系。

大年夜文本情感分析到多模态情感分析

一般情况下，我们商量的情感分析多指文本中的情感分析，但多维度的情感分析，如文字＋图片＋神情＋颜文字的综合分析，文本＋语音＋图像的综合，即多模态情感分析，是今朝来说，比较前沿和更为重要的情感分析的研究偏向。

对于多模态情感分析研究的须要性，这里须要提一个概念——「情感带宽」，即仁攀类能表达的情感的信息量的大年夜小和维度。比如面对面交换时，情感性的信息往往是大年夜语音语调、面部神情、肢体等多个维度表达出来的。然而到了人机交互中，情感宽带的┞符个范式会产生较大年夜的变更，如经由过程人机对话体系交换时，少了肢体这个维度，仁攀类的情感带宽似乎刹时骤降了。但实际上也增长了几个新的输出维度，如图片、神情包、答复时光的长短等。

除天然说话懂得技巧外，人机交互的另一艰苦就是信息维度的稀少性。是以人机交互中情感分析应尽可能大年夜多个维度入手，将缺掉的情感带宽补上——多模态情感分析成为一个重要的研究偏向。内部的多模态分析即 emoji+照片+神情包+文本长度等，外部的多模态即参加面部神情辨认+供给的标签（性格，爱好，年纪等）+语音等。如竹间智能在构建基于天然说话懂得技巧的人机交互体系时，参加多模态情感分析技巧（文字、语音、图像），打破了以往情感辨认在单一文本维度上的局限性，让机械能进一步读懂、听懂、看懂仁攀类，大年夜而达到了更好的人机交互效不雅。

情感分析的对象和办法

深度进修在情感分析中的应用已经较为广泛了，如应用 LSTM 结合句法分析树、基于卷积神经收集和支撑向量机等。一般情况下，对于各类办法的综合立异应用，能达到取长补短的效不雅，进而可以或许进步情感分析的精确率，别的还能大年夜无标注的文本里进修到个中的隐蔽特点，以实现端到端的分类。

文本情感分析最常见的 dataset 是 IMDB Movie Reviews，那么该若何入手与演习呢？下面以 python 为例，大年夜简单的文本情感分析说起。

关于多模态情感分析：最直觉的做法，就是把文本、语音、图像的原始输入材料，应用深度进修的技巧，映射到合营的 feature space 中。以文本的例子来说，原始输入的文字，应用分词（前处理）转成字符与字元后，经由过程一层 embedding layer 映射到向量空间，可以应用 CNN 去撷取琅绫擎的信息。同理，以图像为例子，原始输入的┞氛片，应用影像前处理 (ex: whitening) 后，再应用 CNN 去撷取琅绫擎的讯息。

1.先安装 Keras (https://keras.io/)，Keras 是一个 high-level networks API，底层应用了 Tensorflow, CNTK, 或 Theano 运算 (这取决于具体安装了哪一个)。

Keras 的安装指南： https://keras.io/#installation

2.当 Keras 已安装完毕，则 IMDB 可由此方法入手 (https://keras.io/datasets/)。此 API 的底层：https://github.com/fchollet/keras/blob/master/keras/datasets/imdb.py

LSTM 的具体道理，在此不加赘述，有兴趣的同伙，可以参考这篇文┞仿：http://colah.github.io/posts/2015-08-Understanding-LSTMs/

以下会应用 RNN 的 concept 来解 sentiment analysis 的问题。

example: 假设，应用者输入：「我今天好悲伤」，分词完的结不雅是「我 今天 好 悲伤」，则我们欲望 model 可以输出「惆怅」。model 琅绫擎的简单运算概念如下图所示。LSTM 会一向把资讯往后传，并拥有记忆功能，最后整合所有资讯后，再做出断定。

　　推荐阅读

　　深度学习的先入之见、局限性及其未来

我知道博客标题中应用否定词很奇怪，然则前几天有一波评论辩论正好响应于我正在思虑的一些问题。这一切开端于 Jeff Leek 揭橥的一篇有关解释在小样本范围内应用深度进修的文┞仿。要言之，>>>详细阅读

本文标题：情感计算是人机交互核心？谈深度学习在情感分析中的应用

地址：http://www.17bianji.com/lsqh/36166.html

 1/2    1