淺析情感認知計算在社交媒體中的應用

陳昕悅

（蘇州大學 傳媒學院，江蘇 蘇州 215123）

情感分析（Sentiment Analysis）也稱為意見挖掘，是一個分析人們對產品、服務、組織、個人、事件，還有主題和屬性等實體的觀點、情感、評價、態度、情緒的研究領域。1997年，MIT媒體實驗室的Picard教授最早提出了情感計算（affective computing）的概念，她指出情感計算是與情感相關并來源于情感或能夠對情感施加影響的計算。雖然語言學和自然語言處理（NLP）歷史悠久，但在2000年之前人們很少進行情感認知計算方面的研究。從2006年開始，情感分析研究進入快速增長期并逐漸成為學術研究熱點，后來的學者將情感分析研究繼續細分為情感識別、情感表示、情感建模、情感交互四個方面。

社交媒體（Social Media）是指互聯網上基于用戶關系的內容生產與交換的一種新興媒介。社交媒體上的信息由Web2.0平臺產生，一般是在200個字符以內的網絡文本。微博博文如新浪微博和Twitter博文，即時通信如QQ和微信消息，網絡評論如京東和攜程評論等。報告顯示，新浪微博每秒發帖量在2500條以上，Twitter每秒發帖量甚至達到14300條，匯集成了一座巨大的意見圖書館，具有極高的研究價值。

本文將從興趣挖掘、輿情分析和人工智能三個角度深入探討情感認知計算在移動互聯網社交媒體中的應用，同時也著眼于社交媒體這一新的媒介和隨之而來的網絡新詞、流行語給情感認知計算帶來的新挑戰。

一、興趣挖掘

隨著移動互聯網的興起和社交媒體的普及，在這個偉大的Web2.0時代，每個人都是發聲者和信息員。在商人和行業專家的眼中，人們的情感和言論是一座金礦，而情感認知計算就是其中的鑰匙。科學家也借助各種各樣的模型來研究人們大量、快速、多變的意見，其中最著名的模型之一叫作Plutchik’s情緒心理模型。心理學家羅伯特·普魯契克關于情緒的心理進化理論是對一般情緒反應最具影響力的分類方法之一，他認為有八種主要的情緒——憤怒、恐懼、悲傷、厭惡、驚訝、期待、信任和快樂。后人也將這一模型應用于情感認知計算之中。通過情感認知計算，商家能結合用戶個人的意見數據判斷他們的情感和興趣偏好，從而推薦商品，更能判斷群體面對某一產品的情感和興趣，從而預判行業的未來。這兩點在某些領域已經有了廣泛且成功的應用。

二、輿情分析

隨著社交媒體（如評論、博客、微博、社交網站）的爆炸性增長，這些媒體內容成為越來越多的個人和組織作出決策的依據。現在人們不再局限于向朋友和家人征求意見，因為在網絡公共論壇上有許多用戶的評論和討論。近年來，我們見證了社交媒體對輿情產生的深刻影響。根據人們在Twitter上發表的評論，媒體甚至可以預測美國大選的最終結果。因此，社交媒體、情感分析也與政治輿情緊密結合在一起。

比如一些學者對埃博拉病毒蔓延時期的輿情研究，及時發現了謠言，覺察到人們的恐慌情緒，從而采取行動遏制謠言，穩定了局勢。他們以新浪微博埃博拉熱點話題為數據源，建立了微博輿情傳播態勢模型，在用編程和網絡爬蟲的方式獲取數據的基礎上，使用SPSS進行統計分析，基于實證研究結論，從實踐角度提出相應的網絡輿情引導和管控策略，為新媒體環境下的網絡輿情傳播研究提供了新的研究視角和分析方法，在實踐層面對加強新媒體環境下微博輿情引導和管控具有重要意義。

三、人工智能

另外，情感認知計算對相關學科也有一定的促進作用，如機器學習以及最近幾年大熱的人工智能。微軟亞洲互聯網工程院在2014年5月29日發布一款人工智能伴侶虛擬機器人，并取名“微軟小冰”。“微軟小冰”集合了當時我國近7億網民多年來積累的、全部公開的文獻記錄，憑借微軟在大數據、自然語義分析、機器學習和深度神經網絡方面的技術積累，精煉為幾千萬條真實而有趣的語料庫（此后每天凈增0.7%），通過理解對話的語境與語義，實現了超越簡單人機問答的自然交互。自然人機交互就是讓機器變得更自然，學習人的溝通方式以及語音、手勢、表情、觸摸等交流方式，這些技術是移動互聯網快速成長的基礎。“微軟小冰”更容易理解人的思想和意圖，這種人工智能和以前的AI概念不同。它更多的是通過云計算、大數據、深度神經網絡等技術，讓機器逐漸具備一種基于數據相關性產生的基本智能。

“小冰是一個聊天機器人，但不僅僅是一個聊天機器人”微軟全球執行副總裁沈向洋表示，“聊天只是用戶的一個體驗，但我們設計產品理念的真正核心在于打造一個情感計算框架，同時擁有許多生存空間、輔助設備及相關設備，令小冰能夠與人類在任何地點及場景進行交流”。新媒體時代，“微軟小冰”引發了新一輪人工智能熱潮。和過去單純強調效率和有用的工具型人工智能不同，“小冰們”更強調情感連接，這一改變終將重新定義人和人、人和機器之間的關系。

四、情感認知計算面臨的挑戰

但不可否認的是，在社交網絡中的數據與傳統的文本數據有很大區別，這給情感認知計算帶來了很大的難度。以新浪微博為例，它有文本短（只有140個字）、噪聲大、非正規等特點。

最大的困難在于語言的不規范。微博中大量出現錯字、別字組成的詞匯，如“臥槽”等，還有網絡新詞“蛋碎”“么么噠”。另外，在不同的語言環境中同一個詞的意思會發生變化，如“杯具”（悲劇，帶有負向的情感傾向性），“油菜花”（有才華，正向的情感傾向性）等。這些不規范的詞組導致基于傳統長文本訓練出的詞典在社交網絡中并不適用。但是在微博中有大量的文本表情符號，如微博自帶的GIF表情圖片以及從日本傳入的顏文字。這些表情符號不同于文字或者一般符號，在認知上人們更傾向于將它看作一張圖片。這一特點使得人們在表達情緒的時候更傾向于加入這些符號，以表達一種更強的額外情緒。但是傳統的文本情緒分析方法并沒有抓住這一特點。所以，社交網絡環境下語料的特點使得傳統的構造情感詞典方法并不適用。而結合社交網絡短文本自身的特點，訓練出新的社交網絡的情感詞典成為一個急需解決的問題。本文首先論證了在新浪微博中表情符號可以作為情緒分類的依據，然后利用表情符號這一社交網絡短文本中特有的特征作為標志，采用跨媒體共現的思想生成了一個面對社交網絡的情緒詞典。

或許一些學者提出的利用情感表情符號來提取文本情感詞典的方法有一定的可行性。未來將結合短文本論文的語料特征，完善網絡新詞的自動化擴充以及短文本情緒分類工作，建立新的網絡情感認知分析數據庫也是大勢所趨，但做好社交媒體中的情感認知與計算仍然任重而道遠。

五、結語

筆者列出來的興趣挖掘、輿情分析和人工智能只是情感認知計算在移動互聯網社交媒體中應用的冰山一角，前仆后繼的科學家和研究者也致力于攻克社交媒體給情感認知計算帶來的新挑戰。總而言之，筆者認為情感認知計算是未來相關領域值得研究的一個課題，并對它的發展保持樂觀的態度。與此同時，人們也應該謹慎使用這一技術，不可成為技術的奴隸，也需警惕不能越過法律和道德的底線。

［1］黃發良，馮時，王大玲，于戈.基于多特征融合的微博主題情感挖掘［J］.計算機學報，2017，40（04）：872-888.

［2］馬秉楠，黃永峰，鄧北星.基于表情符的社交網絡情緒詞典構造［J］.計算機工程與設計，2016，37（05）：1129-1133.