下面从概念区别和常用方法两方面介绍“情感计算”和“情感分析”。
一、情感计算与情感分析的区别
1. 情感计算（Affective Computing）
情感计算是研究如何让计算机识别、理解、表达和响应人类情感的交叉学科。
它关注的不只是文本，还包括：
- 语音中的情绪
- 面部表情
- 姿态动作
- 生理信号
- 文本情感
- 多模态情绪融合
例如：
- 判断一个人是否开心、愤怒、紧张
- 智能客服识别用户情绪并调整回复方式
- 车载系统识别驾驶员疲劳或焦虑
- 教育系统识别学生是否困惑或沮丧
情感计算的范围更广。
2. 情感分析（Sentiment Analysis）
情感分析通常是自然语言处理中的一个任务，主要针对文本数据，判断文本表达的情感倾向。
常见任务包括：
- 正面 / 负面 / 中性分类
- 情绪类别识别，如高兴、愤怒、悲伤、恐惧
- 观点抽取
- 产品评论分析
- 舆情分析
例如：
> “这家餐厅味道很好，但服务太差了。”
情感分析可以判断：
- 对“味道”：正面
- 对“服务”：负面
情感分析可以看作情感计算中的一个重要分支。
二、情感计算的主要方法
情感计算方法可以从数据类型和建模方法两个角度理解。
1. 基于文本的情感计算方法
这是最常见的方法，也就是通常所说的情感分析。
1.1 基于情感词典的方法
通过构建或使用情感词典，判断文本中的情感倾向。
常见情感词包括：
- 正面词：喜欢、优秀、满意、开心
- 负面词：讨厌、糟糕、失望、愤怒
还需要考虑程度副词和否定词，例如：
- “非常好”比“好”情感强度更高
- “不好”不能简单判断为正面
- “不是不好”可能表示偏正面
优点：
- 简单直观
- 不需要大量训练数据
- 可解释性强
缺点：
- 难以处理讽刺、隐喻、复杂语境
- 对新词、网络用语适应性较差
1.2 基于机器学习的方法
将情感分析看作分类问题。
常用算法包括：
- 朴素贝叶斯
- 支持向量机 SVM
- 决策树
- 随机森林
- 逻辑回归
基本流程：
1. 收集文本数据
2. 人工标注情感类别
3. 提取文本特征
4. 训练分类模型
5. 对新文本进行情感预测
常用文本特征：
- 词袋模型
- TF-IDF
- n-gram
- 词性特征
- 情感词数量
- 句法特征
优点：
- 比单纯词典方法更灵活
- 适合大规模文本分类
缺点：
- 依赖人工特征设计
- 对上下文理解有限
1.3 基于深度学习的方法
深度学习可以自动学习文本中的语义和上下文信息。
常用模型包括：
- CNN
- RNN
- LSTM
- GRU
- Attention 机制
- Transformer
- BERT、RoBERTa、ERNIE 等预训练语言模型
例如使用 BERT 做情感分类：
输入：
> “这部电影剧情很好，但是有点草率。”
模型可以结合上下文判断整体情感，也可以进一步分析不同方面的情感。
优点：
- 表达能力强
- 能理解上下文
- 在复杂情感分析任务中效果好
缺点：
- 需要较多数据和计算资源
- 可解释性相对较弱
2. 基于语音的情感计算方法
语音情感识别通过分析说话人的声音特征来判断情绪。
常用特征包括：
- 音高
- 音量
- 语速
- 语调
- 共振峰
- 能量
- 梅尔频率倒谱系数 MFCC
例如：
- 语速快、音量高，可能表示愤怒或兴奋
- 声音低沉、语速慢，可能表示悲伤
- 声音颤抖，可能表示紧张或恐惧
常用模型：
- SVM
- HMM
- GMM
- CNN
- LSTM
- Transformer
应用场景：
- 智能客服情绪识别
- 语音助手
- 心理健康监测
- 电话质检
3. 基于面部表情的情感计算方法
面部表情是情感识别的重要来源。
常见识别内容：
- 开心
- 悲伤
- 惊讶
- 愤怒
- 厌恶
- 恐惧
- 中性
常用方法：
1. 人脸检测
2. 关键点定位
3. 表情特征提取
4. 情绪分类
传统特征：
- LBP
- HOG
- Gabor 特征
- 面部关键点距离和角度
深度学习方法：
- CNN
- ResNet
- Vision Transformer
- 3D CNN
应用场景：
- 智能教育
- 人机交互
- 安防监控
- 驾驶员状态检测
4. 基于生理信号的情感计算方法
生理信号能反映人的真实情绪状态，常用于更精细的情感识别。
常见信号包括：
- 心率
- 皮肤电反应 GSR
- 脑电 EEG
- 肌电 EMG
- 呼吸频率
- 眼动信号
例如：
- 心率升高可能与紧张、兴奋有关
- 皮肤电变化常反映唤醒程度
- EEG 可用于分析情绪和认知状态
优点：
- 相对客观
- 不容易被伪装
缺点：
- 采集设备要求较高
- 数据噪声较大
- 个体差异明显
5. 多模态情感计算方法
多模态情感计算是当前研究热点，它综合文本、语音、图像、生理信号等多种信息。
例如，在视频评论中：
- 文本内容表达观点
- 语音反映语气
- 表情反映真实情绪
- 姿态动作提供辅助信息
常见融合方式：
5.1 早期融合
先把不同模态的特征拼接在一起，再输入模型。
优点：信息整合充分
缺点：容易受噪声影响
5.2 后期融合
每个模态单独建模，最后融合各模型结果。
优点：灵活性强
缺点：可能忽略模态之间的深层关系
5.3 中间融合
在神经网络中间层进行跨模态交互。
常用方法：
- Attention
- Cross-modal Transformer
- 多模态对齐
- 图神经网络
三、情感计算中的情感表示模型
情感计算不仅要识别“正面/负面”，还需要定义情感如何表示。
1. 离散情感模型
将情感分为若干类别，例如：
- 高兴
- 悲伤
- 愤怒
- 恐惧
- 惊讶
- 厌恶
- 中性
这种方法直观，适合分类任务。
2. 维度情感模型
用连续维度表示情感状态，常见的是 VAD 模型：
- Valence：愉悦度，表示正面或负面
- Arousal：唤醒度，表示激动或平静
- Dominance：支配度，表示控制感强弱
例如：
| 情绪 | 愉悦度 | 唤醒度 |
||||
| 开心 | 高 | 中高 |
| 愤怒 | 低 | 高 |
| 悲伤 | 低 | 低 |
| 平静 | 中高 | 低 |
维度模型更适合连续情绪建模。
四、典型情感计算流程
一般流程如下：
1. 数据采集
获取文本、语音、图像、生理信号等数据。
2. 数据预处理
文本分词、去噪；语音降噪；图像裁剪；信号滤波。
3. 特征提取
提取词向量、声学特征、表情特征、生理特征等。
4. 模型训练
使用机器学习或深度学习模型学习情感模式。
5. 情感识别或预测
输出情绪类别、情感极性或情感强度。
6. 结果解释与应用
用于推荐、交互、舆情监测、心理分析等场景。
五、常见应用场景
情感计算可应用于：
- 社交媒体舆情分析
- 电商评论分析
- 智能客服
- 智能教育
- 心理健康评估
- 人机交互
- 智能驾驶
- 推荐系统
- 医疗辅助诊断
- 虚拟人和聊天机器人
六、简单
| 对比项 | 情感计算 | 情感分析 |
||||
| 范围 | 更广 | 较窄 |
| 数据类型 | 文本、语音、表情、生理信号等 | 主要是文本 |
| 目标 | 识别、理解、表达和响应情感 | 判断文本情感倾向或情绪类别 |
| 方法 | 多模态建模、机器学习、深度学习等 | 词典、机器学习、深度学习 |
| 应用 | 人机交互、智能客服、心理健康等 | 舆情分析、评论分析、观点挖掘等 |
简而言之：
情感分析是情感计算的重要组成部分；情感计算比情感分析更广，强调多模态情绪识别、理解和交互。