情感分析或情感人工智能，在商業(yè)應(yīng)用中通常被稱為意見挖掘，是自然語言處理（NLP）的一個非常流行的應(yīng)用。文本處理是該技術(shù)最大的分支，但并不是唯一的分支。情緒AI有三種類型及其組合。它們都面臨著各自的挑戰(zhàn)，目前都處于不同的發(fā)展階段。在本文中，筆者將簡要介紹這三種類型以及它們在實際應(yīng)用中的挑戰(zhàn)。

文本情感分析

作為NLP的一個子集，文本分析和書面意見挖掘是迄今為止最簡單和最發(fā)達的情緒分析類型。它們的需求量大，發(fā)展歷史長，也是企業(yè)和公共部門最常采用的技術(shù)。

基本的情緒分析，尤其是用于商業(yè)用途的，可以概括為將句子、段落、帖子或文檔分為消極、中性或積極三類。其中，更復(fù)雜的情緒和態(tài)度處理、意義提取、意圖分類和基于語言學的情感分析也越來越受歡迎。

自動情緒分析通常是通過監(jiān)督式深度機器學習、基于詞典的非監(jiān)督過程或兩者的結(jié)合來實現(xiàn)的。

我們有許多現(xiàn)成的數(shù)據(jù)集，如社交媒體、各種評論平臺和公開的問答服務(wù)。爬取受歡迎的網(wǎng)站（在受允許的情況下）來提取新數(shù)據(jù)也很受歡迎，Twitter和亞馬遜是特別受歡迎的選擇。

視覺情感分析

作為多媒體情感分析的一部分，與基于文本的分析相比，視覺情感AI在開發(fā)和商業(yè)整合方面還遠遠不夠。

當前情感分析應(yīng)用的一個好例子是數(shù)字圖像存儲庫中通過情感標識符（“幸?！?、“愛”、“喜悅”、“憤怒”）進行視覺內(nèi)容搜索，以及自動的圖像和視頻標簽預(yù)測。即將出現(xiàn)的應(yīng)用是出于教育、政治、文化、安全及其他目的，對人們情感的自動理解。

目前，視覺/文本分析，以及圖像注釋和伴隨文本的分析仍然是機器學習進程的主要來源，旨在創(chuàng)建用于視覺情感分析的人工智能。

視覺情緒分析的數(shù)據(jù)也可以來自社交媒體：來自Flickr、Twitter、Tumblr的圖片;公共托管視頻平臺（YouTube等）

得益于許多著名的帶注釋的靜態(tài)圖像數(shù)據(jù)集，我們可以很容易地對面部表情進行解釋和分類。復(fù)雜或抽象的圖像以及視頻和實時視覺的情感分析是一個更大的問題，特別是遇到缺少具體標簽，或強行做出的和不準確的表情等這些情況時。

復(fù)雜的視覺情感分析需要更高層次的抽象、文化知識，以及對主體性、概念和線索的理解。獲得已標記的數(shù)據(jù)集是很難的，為學習提取和預(yù)測所表達的含義這一目的而創(chuàng)建模型也是很難的。

盡管最近的研究讓我們看到了很多希望，但更重要的是它們首先也表明了這樣一個事實：在我們發(fā)明視覺測謊儀和威脅檢測安全系統(tǒng)，能夠結(jié)合下意識的面部表情和肢體語言來分析潛在的危險情況之前，還有很長的路要走。

音頻情感分析

語音聊天機器人正在成為我們生活中越來越重要的一部分，比如客戶服務(wù)電話中常聽見的某種“固定”的響應(yīng)或問候。這些語音助手要么已經(jīng)在使用，要么即將使用情感分析技術(shù)，雖然還遠非完美。

從語音語調(diào)和環(huán)境中檢測壓力、沮喪和其他情緒是機器已經(jīng)能夠完成的任務(wù)之一。理解和模擬韻律和調(diào)性的能力是目前語音處理和合成的一個重要部分。

現(xiàn)有的用于音頻情緒分析的情緒檢測方法通常與語音識別相結(jié)合。這種分析的參數(shù)是一組可檢測的聲學特征：音調(diào)、音強、節(jié)奏、頻譜系數(shù)等等。

慕尼黑開源情感與情感識別工具包（openEAR）是最受認可的情感分析工具包之一，能夠提取4000多個特征（56個聲學低級別描述符中的39個功能）。

情緒分析和情感AI的主要挑戰(zhàn)是什么？

情感AI開發(fā)者仍然需要克服幾個挑戰(zhàn)。

現(xiàn)在機器學習的一個普遍概念是：情感人工智能“訓(xùn)練”的成功總是取決于輸入數(shù)據(jù)的質(zhì)量。更大、更好、更干凈的數(shù)據(jù)集對于避免“垃圾in、垃圾out”的情況是必要的，由這一情況引起的挑戰(zhàn)如：

文本情感分析面臨的挑戰(zhàn)：無法識別雙重含義、笑話和影射;無法解釋語言和非母語語音結(jié)構(gòu)的區(qū)域差異。

例如：對于情感AI來說，處理書面演講中的諷刺可能是一項艱巨的任務(wù)，可能會存在對意義和意圖的歪曲理解。雖然社交媒體通常是機器學習算法挖掘意見和意圖的來源，但其中的語言無可否認是特定的，不一定是現(xiàn)實生活中的真實演講。“AI聊天機器人在推特上呆了一天就變成了種族主義者”這類臭名昭著的事件很滑稽，但仍然很常見。

視覺情感分析的挑戰(zhàn)：無法區(qū)分真實的和強迫的或夸張的情緒表達;不包括肢體語言;處理概念和抽象圖像的問題。

例子：情感和情緒分析的一個顯著應(yīng)用是安全和防衛(wèi)應(yīng)用，例如，視覺測謊儀。到目前為止，與算法感知水平相關(guān)的問題在于理解真實情感的領(lǐng)域，或者缺乏真實情感的領(lǐng)域。雖然最近有一些成功的研究和發(fā)展，旨在識別真實和虛假的面部表情，但這些研究和發(fā)展仍然是相對小規(guī)模的，非常細分的，比如只涉及微笑時）。

語音情感分析的挑戰(zhàn)：不考慮各種口音、地區(qū)語言模式、個人發(fā)音習慣等等。

許多非母語人士在說第二語言時仍保留著口音。在其他方面，口音可以表現(xiàn)為過渡調(diào)性、語速和停頓變化，而這些變化并不是第一語言所特有的。我們需要對其進行明確的解釋，否則這些轉(zhuǎn)變可能導(dǎo)致對情緒和意圖的誤解。

在我們開發(fā)更好的聊天機器人、智能助手、家庭和商業(yè)環(huán)境中的機器人向?qū)?，以及最終實現(xiàn)自我意識、移情和真正理解人類表達的人工智能的道路上，這些問題都是需要重點克服的。

責任編輯：ct