导语

概念定义：情感计算是自然语言处理领域的重要研究方向之一，其目标是赋予计算机类似于人一样的观察、理解和生成各种情感表达的能力，它是一个高度综合化的跨学科领域，涉及计算机科学、心理学、社会学和认知科学等。通过多学科的深度融合，分析人与人交互、人与计算机交互过程中的情感特点，充分设计具有情感反馈的人机交互环境，从而使人机交互更自然、亲切和生动。

发展脉络：情感计算的概念自1997年提出以来，其相关应用广泛活跃在社交媒体、电商网站、客服系统、智能语音助手等平台。近年来，有关情感计算在精神健康（如抑郁症检测）等方面的应用也逐渐兴起。

研究意义：情感计算是通过文本分析研究情感理解和生成的关键核心技术，有助于提高社会舆情与产品口碑分析系统的性能。情感计算的研究至今已有20余年的历史，随着新技术的变迁、新任务的出现以及更高性能算法需求的增长，情感计算技术目前仍是国内外学术界和产业界的研究热点。

研究任务：情感计算涉及多项有挑战性的研究任务，主要包括情感分类、情感抽取、情感推理、情感生成等。其中，情感分类和情感抽取是文本情感计算领域的基础任务，也是最核心的任务。情感推理、情感生成是昭示着机器类人化逐渐走向高阶的任务。

 研究趋势：情感计算领域包含了众多研究方向，目前该领域下的研究热点主要包括属性级情感分析、对话情感、多模态情感、精神情感。

工业领域应用：情感计算的相关应用广泛活跃在社交媒体、电商网站、客服系统、智能语音助手、精神健康等平台和领域。

1、概念定义概述：

        情感在感知、决策、逻辑推理和社交等一系列智能活动中起到核心作用，是实现人机交互和机器智能的重要元素。

        情感计算是关于情感、情感产生以及影响情感方面的计算。旨在赋予机器识别、理解、表达和适应人的情感的能力来建立和谐人机环境，并使计算机具有更高、更全面的智能。让机器也具备“情感”，拥有“情商”。它被称为机器人的“读心术”，也有人称为“察言观色”的能力。情感计算主要通过计算机技术自动分析自然语言（文本）、视觉（图像或视频）、听觉（声音）、生理信号等多模态对象所包含的情感倾向及其强度。

情感计算的分类主要从主客观性和情感倾向两个方面

 2、研究趋势与领域应用简介

        情感计算领域包含了众多研究方向，目前该领域下的研究热点主要包括属性级情感分析、对话情感、多模态情感、精神情感。本文就当前研究热点进行简要介绍。

2.1 属性级情感分析

        细粒度情感分析任务的一种，典型任务为基于方面词的情感分析(Aspect-Based Sentiment Analysis,ABSA)，主要涉及3个子任务:方面词提取(Aspect Extraction,AE)、观点词提取(Opinion Extraction,OE)和方面级情感分类(Sentiment Classification,SC)[3,4]。

例如，给定一条评论语句：这家餐厅的食物很好吃。

通过AE和OE，可以分别获得方面词“食物”和观点词“好吃”，进而通过SC可以分析出用户对于“食物”的情感极性为“积极”。

例如，在金融资讯中可以逐句分析：通过AE和OE可以获取方面词“公司”和观点词“处罚”等，进而通过SC可以分析出用户对于“公司”的情感极性倾向为“负面”。

        早期的研究工作分别聚焦在各个子任务上，通过深度学习技术，使用神经网络模型取得了令人瞩目的成果。然而，以这种流水线式(pipe-line)的方式逐一处理子任务，会产生很大的级联误差(error propagation)，进而难以达到最优的效果。因此，近年来，研究者们将目光转向了搭建联合的ABSA框架，在同一个模型架构下，同时解决所有子任务。

2.2 对话情感

        对话情感任务旨在研究如何使对话机器人理解和表达人类的情感，主要分为对话中的情感识别和情感回复生成两个子任务。对于前者，对话情感识别的目标是输出一段对话中所有对话语句对应的情感极性。而对话情感回复生成，则要求模型输出一条具有情感色彩的回复语句，从而使得人机对话不再“冷冰冰”。

        目前，在对话情感识别任务上，学术界的研究已不仅仅局限在感知用户的情感，而转向探索对话中人类情感的认知方面因素，如情感原因，情感意图等等。而对话情感回复生成任务，当下的研究热点逐渐转向赋予对话机器人共情能力甚至情感支持能力。

2.3 多模态情感

        多模态情感计算通过提取图像、视频、音频、文本和生理信号等多种模态数据中的情感信号，完成情感的分类、回归、检测和检索任务。

        不同于现有的单模态情感计算，人类在处理情感时，时常处于多模态场景共存的情况下。由此，多模态情感计算，旨在多模态场景下计算机模拟人类理解和表达情感的相关技术。在此场景下，情感信号来自自然语言、视觉、听觉及生理信号等模态。

        对于该方向的研究，研究工作大多建立在多模态语义表示的基础上，进行多模态情感理解和表达两方面的探索。对于前者又可分为粗粒度多模态情感分类和细粒度多模态情感分类两种。粗粒度的任务旨在针对句子级的输入，面向图文、视频和生理信号等进行情感分析。而细粒度的任务则受启发于(1)中任务，对不同模态中的情感实体（如图片中人物的面部表情）进行细粒度地分析。对于多模态情感表达，则是在理解不同模态情感信号的基础上，生成有情感的单/多模态回复，具体的应用有对话系统、虚拟人等。

2.4 精神健康

        该任务目标在于帮助用户摆脱异常心理状态与心理疾病。主要涉及两个方面，异常心理状态检测与异常心理状态干预。对于前者，要求识别出那些可能存在精神疾病或者心理异常的用户，而后者要求让机器去尝试对用户精神进行干预。

        研究人员大多尝试使用社交媒体数据集去检测用户的精神状态。社交媒体数据集有着贴近真实日常生活与数据量大且方便收集的特点。研究主要集中于检测用户的抑郁症，创伤后应激障碍（PTSD），与精神分裂等主要心理疾病。而抚慰任务主要尝试基于心理学理论扭转用户的心理异常，比如压力，焦虑，认知扭曲等等。