德勤-情感計算白皮書_第1頁
德勤-情感計算白皮書_第2頁
德勤-情感計算白皮書_第3頁
德勤-情感計算白皮書_第4頁
德勤-情感計算白皮書_第5頁
已閱讀5頁,還剩193頁未讀 繼續免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

里蘭任、浙江大學黨委副書記大學腦科學學術委員會主任腦網絡組研究中心主任龍之江實驗室黨委副書記陳偉之江實驗室主任助理、黨委委員陳光之江實驗室科研發展部部長林峰之江實驗室人工智能研究院副院長級研究專家、跨媒體智能研究中心副主任、研究員究員、模式識別國家重點實驗室副主任、國家杰Ⅱ王蕊潘煜金佳曾紅梅林莊珺劉晶上海交通大學計算機科學與工程系教授、上海交通大學醫學院附屬瑞金醫院學與技術學院副院長、教授、安徽省杰出青年基金獲得者心主任、教授國際工商管理學院院長、教授腦機協同信息行為重點實驗室教授授究所研究員副首席執行官、首席轉型官生態系統事業部總經理究所產業創新研究室主任、研究員發展組織全球創新網絡項目上海全球科創中心副主任裴冠雄之江實驗室人工智能研究院跨媒體智能研究中心副研究員德勤科學加速中心副總監興版社副總編輯、《張江科技評論》主編技術總監朱敏學院商業數據系主任、副教授學院企業管理系講師學計算機與信息學院副研究員科學與技術學院副教授之江實驗室人工智能研究院跨媒體智能研究中心助理研究員之江實驗室人工智能研究院跨媒體智能研究中心助理研究員之江實驗室人工智能研究院跨媒體智能研究中心算法工程師Ⅲ計算旨在創建一種能感知、識別和理解人的情感,并能針對人的情感作出智慧、靈敏、自然反應的計算系統。情感計算是實現自然化、擬人化、人格化人機交互的基礎性技術和重要前提,也為人工智能決策提供了優化路徑,對開啟智能化、數字化時代具有重大價值。近年來,中國成為情感計算領域最重要的崛起力量之一,并有越來越多的學者投入該領域的研究。同時,中國也成為情感計算賦能應用的主戰場之一,為支撐經濟高質量發展和數字化改革發揮了重要作用。這本白皮書的發布,旨在回應中國乃至全球學術界和產業界對了解和掌握情感計算最新發展動向的需求,給科學研究人員和行業實踐人員提供較為完整的技術發展藍圖和應用趨勢洞察,以助推情感計算的發展與轉化。這本白皮書有幾個鮮明的特點:一是以主流學術數據庫為基礎,之江實驗室、中國科學院文獻情領域全周期、論文全量級、科研全過程的覆蓋優勢,梳理出的重要研究論文、專利和標準,有助于明晰關鍵共性技術和前沿引領技術,對把握情感計算領域學術發展動態具有指導性意義,對實現“高原造峰”和從“0”到“1”等不同創新路徑均具有較大參考價值。二是白皮書描繪了情感計算的學科全景,包括重要研究機構、學術期刊、國際會議、代表性科學家、高水平學會等,并對合作生態進行了梳理,這對指導學科建設和重大科研基金立項具有導向作用。中國學者在學科領域內的進步明顯,初步形成了高水平的學科人才梯隊,且在典型學者和重要研究陣地中占比較高。但是,在學術期刊、國際會議等方面存在劣勢,中國主導能力偏弱,這不利于學科話語權的提Ⅳ升,也與中國在該領域發文量排名世界第一的情況不匹配。這在一定程度上阻礙了中國科學家作為學術共同體的發展,不利于從跟隨性走向引領性的地位變革。三是白皮書非常重視對情感計算成果轉化及應用情況的研究。中國共產黨二十大報告提出,“加快實施創新驅動發展戰略。堅持面向世界科技前沿、面向經濟主戰場、面向國家重大需求、面向人民生命健康,加快實現高水平科技自立自強”。針對應用情況的定量分析和案例研究,有助于引導廣大科技工作者面向經濟主戰場和重大實際需求開展科研攻關,同時促進相關從業人員對技術全景加深理解和認知,促進經濟主體增加情感計算賦能應用的探索,加速數字經濟轉型升級和人工智能技術迭代應用,促進更多企業從產業鏈下游向產業鏈中上游的價值重塑。正是白皮書在以上三個方面的扎實工作,為情感計算未來趨勢預測筑牢了基礎。這本白皮書也專門設立章節,對技術走向和行業應用作了展望。未來將會怎樣,不可準確預知,但對過去和現狀的精準把握,為情感計算的發展脈絡提供了蹤跡。當今世界正在經歷百年未有之大變局,這場變局不限于一時一事、一國一域,而是深刻而宏闊的時代之變。我堅信,中國在情感計算領域的影響力將繼續迅速提升,我們樂見這種不可阻擋的力量為情感計算學術發展和應用賦能提供源源不斷的動力。Ⅴ近年來,中國在人工智能技術領域的發展突飛猛進。上一代人工智能技術在研發、行業應用和內涵普及方面可謂“百花齊放”。經過一大批科學家和實踐者的努力,在短短幾年的時間里,中國就在人工智能發展的第一階段追趕上了世界先進水平。中國發展人工智能等前沿信息技術不僅為了實現中華民族偉大復興,也為了世界可持續發展和德勤作為一家立足中國本土的國際性專業服務機構,正是感受到了這樣的使命而欣然地加入新一代人工智能技術——情感計算的開發策源和轉化實踐的隊伍。與諸多科學家和實踐者一樣,我們也清楚地預見情感心智在整體智能技術群中的重要性。情感計算是一項涵蓋心理學、認知科學、計算機科學、數學等多學科交叉的前沿技術,因此我們需要通過一個由多方角色組成的生態網絡,通過實現各自的訴求來形成共贏,從而推動情感計算技術從研發向轉化、普及等環節發展。為此,在之江實驗室的發起和指導下,德勤通過多年創新積累的生態網絡群組織包括上海科學技術出版社、中國科學院文獻情報中心、英國工程技術學會、亞馬遜云科技、上海師范大學等在內的大批專家學者,共同完成《情感計算白皮書》的撰寫和發布工作。由于情感計算技術是過往鮮有人涉足的前沿技術領域,對當前全球情感計算技術的相關信息進行匯總、解讀和分析工作自然也是困難重重,尤其是在面臨日新月異的技術更替環境下,如何確保內容的時效性,并以最快的速度、最高的質量和最全的信息進行白皮書發布,成為本次任務的最大挑戰。這樣的任務實施起來如同發起和管理一項大科學工程,也充分考驗了參與者彼此的協同和默契。在撰寫白皮書的半年多時間里,參與指導和編寫的近50位學界領軍人物、學者專家Ⅵ和行業領袖能夠在新冠肺炎疫情頻發的不確定環境下,毅然打破地域限制,按時且高質量地完成白皮書的撰寫任務,這令人感到興奮白皮書從人類對自身情感研究的歷史到通過信息技術的手段如何進行仿生實現情感計算,再到已經實現的場景應用,對情感計算技術進行介紹,實為一部情感計算技術發展和應用的簡明百科。這樣的內容安排,充分寄托了項目組對情感計算技術在科研和商業應用兩個方面的期許。我們始終堅信,一項好的技術既離不開前沿科學的啟蒙,也脫不開與社會經濟發展的實質聯系。白皮書的發布并不意味著項目組工作的結束,而是揭開了中國在情感計算技術方面技術研究和應用轉化的序幕。我們衷心地期盼更多對情感計算技術有熱情的個人和團隊加入我們的大家庭,在新一代人工智能技術賦能社會安定、國家昌盛、人類發展等方面作出更多的貢獻。 1.1人類社會的情感 3 1.2情感計算的沿革、定義和內容 8 3 Ⅷ3.1.2主要研究陣地(國家/地區分析) 27 29 29 言學年會 33.2.4IEEE計算機視覺和模式識別會議 33 ESI點論文 36 42 43 45 47 學者地圖 49中國學者分布 50全球典型學者 52高被引學者 52 情感計算促進協會 52中國人工智能學會情感智能專業委員會 53 重要研究機構 53 2 Ⅹ 0領域主要代表產品及應用技術 92 1計算機科學(含智能科學)、腦與心理科學(含心理學、神經科學)、社會科學(含社會學、經濟學、管理學)、醫學等的交叉學科領域,并逐步成為全球學術和工程熱點。中國科學院科技戰略咨詢研究院發布的《2021年研究前沿熱度指數》報告顯示,以“多模態情感計算”為核心的相關研究熱度指數位列前10名。根據英國工程技術學會(The的文獻進行計量分析顯示,情感計算領域的發文量呈現高速增長態勢,中國和美國的學者成為該領域最具代表性的研究力量。《自然》(Nature)旗自中國的研究力量迅速崛起,論文總數已超過美國,越來越多的科研機構和高科技企業正投身于情感為了響應中國乃至全球學術界和產業界對了握情感計算最新發展動向的需求,向科學研和行業實踐人員提供較為完整的技術發展藍用趨勢,以助推情感計算的發展與轉化。由智能研究院跨媒體智能研究中心發勤科學加速中心、上海科學技術出版社、中國科學院文獻情報中心和英國工程技術學會共同組成聯合項目組,推動了《情感計算白皮書》(以下簡稱“白皮書”)的發布。由行業領袖和國內外知名學者組成的顧問委員會和專家委員會為白皮書的編制給予了專業性審查和指導。涵理解的不斷深化,智能機器“雙商(智商+情商)”理念的進一步普及,情感智能的迭代升級以字經濟驅動下的產業變革,多要素共同作用動情感計算的學科發展、技術演化和行業進要創新動力。在白皮書的編寫過程中,項目調研了情感計算及其關聯學科的技術發展和遷移進程,在學術界和產業界專家的共同努力下,白皮書最終形成“集大成”和“思全局”的框架,研究者和實踐者能夠對情感計算的最新發展全面的認識,并以更廣闊、更長遠的視角思2算機科學、腦與心理科學、社會科學等學科。計機科學與機電科學側重于提供各類信息技術手段和工程化能力,能夠對情感的感知、識別、理解、饋等實施數字化重構和計算實現,從而使機器能擁有類人情感心智功能。腦與心理科學的心理及識領域側重于提供關于人類情感的基礎定義、相要素結構存在的意義等方面的理論,這為情感理認知神經科學則側重于研究人類大腦對情感加工的機理以及建立與情感相關的心理要素功能網絡,這為開發情感計算模型提供了關鍵的啟發和策略的指導。社會科學和醫學為情感計算的應用提供武之地”,是該類技術應用場景設計由此可見,情感計算是一個多學科共建的領個由行業實際需求推動技術進步和迭代1.1人類社會的情感Grammarof和思想溝通的重要載體,是推動人類文明生生不元繁榮的重要力量。根據物種進化理論,情為是保障人類的基本生存能力、形成社會習撐高級思維的心理要素。人類如果不具有情感,那么維持生存的將只有原始沖動和生存欲望,這樣的物種幾乎不可能發展出高度發達的社會文然情感在整個人類進化過程中發揮了重要作是人們對情感功能的認知和重視經歷了一個時至今日,涉及情感的各種理論已具規模。類文明。這一歷程可大致分為三個階段,如第一階段的主要活動是嘗試識別和厘清“情其有關的概念。在早期東方文明體系下,古代中國的《易經》哲學和諸子百家哲學以及古代了理解和闡述。例如,《禮記·禮運》提出了“七情”的概念以及“何謂人性論述。在早期西方文明體系下,古希臘醫前377年)在古代生理醫學體系下提出人類“體液性質的物質基礎,以不為性質主導的人會更容易表現出某種或某幾種特定的情感。這與同時期人類的四種氣質學說34第一階段第二階段第三階段歐洲文藝復興及其之前的探索思辨階段(大及以前)法國啟蒙運動到科學心理學誕生的科學啟蒙階段(公元17—18世紀到19世紀末)科學心理學誕生之后的心理學、生理學和信息技術的融合階段(公元19世紀末及以后)圖1-1早期情感理論發展的三個階段 (膽汁質、多血質、黏液質、抑郁質)似乎有潛在第二階段的主要活動是以科學的視角對上述概念進行驗證,并明確概念之間的機能關系。該階段的兩大情感研究陣營分別是現代生理醫學和科學心理學。在現代生理醫學體系下,著名生物學家查爾斯·達爾文(CharlesDarwin)的著作《人類和動物的表情》(TheExpressionofEmotioninManandAnimals)被公認為與他的《物種起源》 (OntheOriginofSpecies)分量相當的“情感”研究巨作。達爾文在書中提出了人類所擁有的一般表情,如痛苦、哭泣、快樂、憎恨、憤怒等。在此基礎上,他進一步闡述了基于這些表情的情感、思維過程以及相應的生理表現。這被認為是現代科學有關情感及其行為研究的開始。在科學心理學體系下,美國心理學家斯坦利·沙赫特(Stanley 同提出的激活歸因情緒理論(AttributionTheoryof 基礎。該理論認為情感既來自生理反應的認知評價,也來自對導致這些反應的情境的認知評價。這一解釋為情感智能的實現提供了策略和思路。第三階段是心理學、生理學和信息技術的融合階段。在德國心理學家威廉·馮特(WilhelmWundt)創立科學心理學后的半個多世紀里,世界各地的心理學流派如雨后春筍般涌現。這些流派對情感都有著不同視角的認知和理論。同時,隨著現代生理醫學的發展,在神經科學視角下情感的腦機制研究得到長足進步。美國心理學家保羅·埃克曼(PaulEkman)提出了如今被視作普遍標準的人類七大基本表情理論:快樂、悲傷、憤怒、厭惡、驚訝、蔑視和恐懼。由埃克曼領導開發的人類表情動作編碼系統(FACS)被認為是機器視覺讀懂人類表情的關鍵技術。1997年,美國麻省理工學院媒體實驗室(MITMediaLab)羅莎琳德·皮卡德 式開啟了實現情感智能的人工智能新時代。結合不同時期人們對情感性質和作用的認識,和發展的生理反應,如在危險環境中的緊張和、在受到侵擾和威脅時的憤怒和亢奮、在獲得和生存必需品時的喜悅和興奮。情感不斷地強類適應和利用環境的能力,并形成習得性的生理反應,對個體的注意、記憶、感知等進行調節,5二是溝通功能。諾貝爾經濟學獎獲得者、美國心理學家赫伯特·西蒙(HerbertSimon)認為,情感的識別和表達對于信息的交流和理解是必需的。情感對人類意圖的準確表達和理解至關重要,同樣的文字語言用不同的情感來表達,其內涵是完全不同的。因此,情感與語言密不可分。情感起到了關鍵的語義消歧作用,無論對信息的發出方還是信息的接收方都至關重要。這也是很多重要事項需要面對面交流的一個重要原因。在面對面場景下,相較于語音或文字溝通,表情、肢體動作等具有情感內涵的表達方式,有助于減少誤信。心理學家丹尼爾·卡尼曼(DanielKahneman)認為,大腦通過快(“系統一”)與慢(“系統二”)兩出決策。常用的無意識的“系統一”主要于情感、經驗等迅速作出判斷;有意識的“系要依賴于理性思辨。因此,情感廣泛參與高級思維和決策過程,并深刻影響了決策體的資源投入程度、行為持久程度以及對、家庭等的維系紐帶,是低成本維系人類的核心,是潛在的社會交往契約,并與個密不可分,也對人類社會的進步有著斷地擴展和豐富。早期的情感理論多是基于中國古代就有對“七情”“情理法”等理論的論述,并把與情感和心智有關的概念統稱為“情”。隨著白話文的普及和西方現代科學體系的引入,人情”等概念。本白皮書參考中國科學院心理研究所傅小蘭關于中英文譯法的說明,將“emotion”譯“感情”或“感受”。和“movere”(意為“動”),從構詞上來看,情緒含有移動、運動的意思,強調非常短暫但強烈的體驗。反觀感情和情感,英國心理學家邁克爾·艾森克(MichaelEysenck)和馬克·基恩(MarkKeane)認為,情感具有廣泛的意義,表示情緒、心境和偏好等不同的內心體驗。中國心理學家孟昭蘭和黃希庭認為,情感是情緒過程的主觀體驗,而感情是情緒、情感這一類心理現象的籠統稱呼。綜合上述觀點,本白皮書認為,情緒是情感性反應的過程,感情是情感性反應的內容,而情感涵蓋上述詞義,是情緒和感情等的籠統稱謂。參考情感計算領域的做法以及孟昭蘭的定義,即“多成分組成、多維量結構、多水平整合,并為有機體生存適應和人際交往,而同認知交互作用的心理活動過程和心理動機力量”,本白皮書將上述學術詞匯統稱為“情感”(在后續章節中不再區分上述概念)并進行定義。情感是一種包括認知、生理、體驗、行為等多種要素的心理狀態,是有機體應對和控制生存環境的進化產物。在情感計算領域,運用最多的理論模型是情感分類理論模型,主要包括離散情感模型和維度情感模型。離散情感模型將情感分為各個獨立的每一種情感之間沒有關聯性。美國心理學家卡羅爾·伊扎德(CarrollIzard)使用因素分析法,建立了包括興趣、驚訝、痛苦、厭惡、高興、憤通過表情分析,得出了更6詹姆斯-蘭格理詹姆斯-蘭格理論坎坎農-巴德理論在詹姆斯-蘭格理論基礎上進一步提出,除了外周神經系統以外,更為和變化的中心系統。評評定-興奮學說大腦皮層的興奮程度也是情感喚醒的重要通路,大腦皮層和皮下組織協同作用產生了情感。該學說將情感的產生過程進行了劃分,分別是情境刺激、情感評估和情感產生,并首次將認知理論引入情感研究領域,這為沙赫特-辛格理論的提出進行了鋪墊。沙赫特-辛格理沙赫特-辛格理論息認認知-評價理論情感是人與環境交互產生的結果,人會不斷地對周圍環境進行初評、次傷、憤怒、厭惡、驚訝、恐懼和蔑視。離散情感模型更符合人的認知與在日常生活中的表達形式,主要反映的是人類的基本情感類型,區分較為清晰,具有天然的可解釋性。維度情感模型則是運用情感空間將不同的情感通過多維向量進行表示。在情感的二維分類模型中具有代表性的是美國心理學家詹姆斯·羅素(JmaesRussel)提出的環形情感分類模型(見圖1-3),也因其橫縱軸結構(橫軸表示效價,左右分別表示消極和積極情感;縱軸表示喚醒度,上下分別表示喚醒程度高和低)被稱為VA 的種類很多,主要也是通過軸和極點來界定情感的類型,所有情感分布在每個軸兩極間的不同位置,比較常用的有兩種:由愉悅度(Pleasure)、激活度 ArousalDominance感三維模型;由愉悅度(Pleasure)、強度(Activation)、關注度(Attention)組成的情感三維模型。另一個著名的情感三維模型是美國心理學家羅伯特·普拉奇克 (RobertPlutchik)提出的基于情感進化理論的“情感輪”模型(見圖1-4),也被稱為倒錐體情感三維模型;包括兩極性(Polarity)、相似性(Similarity)、強度(Intensity)三個維度。不同于傳統的情感維度模型,該模型是情感進化理論的一部分,系統闡釋驚驚奇奮興高采烈惡不愉快傷心松疲乏未喚醒愉快惶恐怒動靜煩亂憋悶足煩警惕崇敬不耐煩生氣暴怒驚煉恐懼擔心憎恨驚記81956年美國達特茅斯學院(DartmouthCollege)開會研討了如何用機器模擬人的智能。會上,人工智能 (Artificial1956年美國達特茅斯學院(DartmouthCollege)開會研討了如何用機器模擬人的智能。會上,人工智能 (ArtificialIntelligence,AI)的概念被首次提出,人工智能學科由此誕生。此后,人們開始通過研究人的智能活動規律,開發類人的智能系統,以使計算機能夠模擬人的智能行為。前期的研究基本集中在人的理性和邏輯活動規律在機器的實現上。與此同時,心學家對感性或情感的研究也在逐步深化美國心理學家彼得·薩洛維(PeterSalovey)和約翰·邁耶(JohnMayer)發表的名為《情感智能》(EmotionalIntelligence)的文章,描述了他們創建的情感智能框架。該文章認為,情感也是一智能,強調情感的認知成分和處理能力論述。情感的四維分類模型由于過于抽象和復雜,并未被廣泛接納。分類模型和情感三基礎上,研究者嘗1.2情感計算的沿革、定義感計算的研究日益活躍(見圖1-5)。11960年美國社會心理學家丹尼爾·卡茨(DanielKatz)發表了關于態度功能的理論,揭示態度具有適應功能、自我防御功能、認知功能、價值表達功能等四功能19901990年1997年皮卡德出版了《情感計算》(AffectiveComputing)作,對情感計算進行了系統的闡述。至此,這門性學科開始得到廣泛關注1998年1999年2004年美國人工智能促進協會(AAAI)分別召開了針對人美國人工智能促進協會(AAAI)分別召開了針對人工情感和認知的專業學術會議。同一時期,日本的“感性工學”逐步發展,即從工程學的角度實現對人的感性需求的滿足,把情感信息的研究從心理科學角度過渡到心理科學、機電科學、信息科學等相關學科的交叉融合領域。在歐洲,許多大學成立了情感與智的研究小組歐盟設立了一個名為HUMAINE的人機交互情感項目,旨在為能夠記錄、建模和影響個體情感的導向系統奠定基礎。歐盟27所大學聯合參與了該項目22010年《IEEE情感計算匯刊》(IEEETransactionsonAffectiveComputing)創刊。它是情感計算領域的第一本期刊,是由全球最大的非營利性專業技術學會——電氣與電子工程師協會(IEEE)創辦的展歷程920世紀90年代2003年中國學者開始投身于情感計算的研究。中國的情感計2003年第一屆“中國情感計算及智能交互學術會議”在北京第一屆“中國情感計算及智能交互學術會議”在北京2021年中國中文信息學會情感計算專委會(籌)在北京成立首屆“情感計算和智能交互國際學術會議”在北京召開。此外,多所大學在2000年前后逐步建立起相關的研究單元。其中,具有代表性的有之江實驗室人工智能研究院跨媒體智能研究中心、清華大學人機交互與媒體集成研究所、中國科學院自動化研究所和哈爾濱工業大學社會計2021年中國中文信息學會情感計算專委會(籌)在北京成立展歷程曾被問及關于機器情感的問題,他認為這一問題的核心不在于智能機器能否有情感,而在于沒有情感的機器能否實現智能。雖然他最先提出了讓計算機具有情感能力的想法,但是學術界公認的第一個正式提出情感計算完整定義的是皮卡德。她所著的表現,能夠進行測量和分析,并能對情感施加影響的計算。此外,也有一些學者提出了不同的見解。與皮卡德采用認知主義框架不同,瑞典計算機科學家克里斯蒂娜·霍克(KristinaH??k)以及美國計算機科學家菲比·森格斯(PhoebeSengers)和保羅·多羅希(PaulDourish)等學者從現象學出發,認為情感計算的情感是在人與人、人與機器之間的交互過程中構建起來的。日本工程院院士任福繼(FujiRen)認為,情感計算旨在通過開發能夠識別、表感的系統和設備來減少計算機與人之流障礙。中國科學院自動化研究所胡包剛及認為,情感計算的目的是通過賦予計算機識解、表達、適應人情感的能力來建立和諧的人機環境,并使計算機具有更高、更全面的智能。驗室人工智能研究院跨媒體智能研究中心李為,情感計算是賦予機器以感知、識別、理情感計算的研究內容主要包括五個方面(見1-7)。情感基礎理論模型主要包括離散情感模型和維度情感模型兩種類型(見圖1-8)。兩種類型各體采用哪種模型,取決于實際應用任務通工具,在各種溝通載體上形成了海量的數,為文本挖掘提供了基礎。因此,語言文字信號獲取的成本最低。但是,數據質量參差不齊,生語法錯誤、文字亂碼等問題,從而對情感1別3和深度學1別3和深度學集音、視覺4 (如表情、手勢等)、生理個方面,并建立相據集2論和維度情復合情感表達肢體動作等表態5的研究內容型基礎理論模型識別產生不利的影響。由于攝像頭、麥克風等傳感器成本較低且無須與用戶直接接觸,采集語音、面部表情等情感信號較為便利。這些領域的數據量十分龐大,相關的研究論文數量也很多,且不少數據直接來自實際場景。生理數據相較于文本、語音、表情等信號數據,其優勢在于能夠更加直接、客觀、真實地反映個體的情感狀態,較少受到個體主觀意識的影響。因此,生理數據也成為情感計算領域的研究熱點之一。目前,在情感計算領域,運用較多的生理數據包括腦電、皮膚電、呼吸、皮膚溫度、心電、肌電、血容量脈沖、眼電等。由于需要佩戴較為復雜且成本較高的生理數據傳感器,生理數據的獲取較難在實際應用中進行推廣。目前,實驗室或研究所能夠使用的生。針對文本數據、語音數據、視覺數據、生理數據,研究人員開發了相應的數據分析算法和工具 (見圖1-9)。析分析①文本數據分析。傳統的文本情感分析通過建特定領域的情感詞典,再根據情感詞和文本的射關系進行情感分析。但是,情感詞典的特定屬性限制了文本情感分析在多領域應用的能力。近er語言模型為代表的預訓練語言模型在多種情感分析任務中獲得成功,這引起了學術界和產業界極②語音數據分析。語音情感識別借助語言學聲學的相關技術,除了分析語法、語義之外,還會識別與情感狀態有關的聲學特征信息,如語速、音、語調。當前,提取情感語音特征應用較為廣③視覺數據分析。在表情、肢體動作、場景圖片情感識別中,對面部表情的識別經典的基本表情識別模型,該模型雖然簡單但應用廣泛。基于深度神經網絡的深度情感特征,利用人臉情感識別數據集訓練的神經網絡模型,如④生理數據分析。與上述文本、語音、表情信號相比,生理信號的識別難度更大。同時,生理信號具有獨特的屬性。例如,在對腦電數據進,需要開展較為繁雜的預處理流程,包括電極位置定位、帶通濾波、轉換參考、分析段截取、偽跡去除、壞電極插補等,隨后要采取特征提取、特征降維等步驟,最后運用機器學習分類對情感進行識別。自2018年以來,運用深度學習方法開展腦電數據情感計算的論文呈現較大幅Encoders,SAE)等在內的方法得到普遍運用。早期的情感計算一般都是單模態的,即在文、表情、肢體動作、生理信號等模態中對進行數據分析和情感識別。然而,人在表達情感的時候往往是通過多種方式進行聯合表達使用單模態進行情感識別所獲取的情感信限性。人的情感豐富、細膩,表達形式多這就需要融合多個信息源,綜合處理,協以求盡可能精準地識別人類情感。多模態利用來自不同模態的信息整合成一個穩定表征,可以有效地解決這一問題。根據融不同,常見的多模態融合方法可以分為基的早期融合、基于模型級的混合融合、基根據情感的分析識別結果,機器通過面部表情、情感回復生成、肢體動作等方式向用戶傳遞帶有情感溫度的表達和回應。例如,利用特定的聲音風格、綜合具有情感標簽的文本內容合成語音,讓機器表達出特定的情感。這個過程將需要合成的文字內容和特定風格的聲音輸入神經網絡,然后讓神經網絡合成特定風格的語音。如果需要通過肢體動作表達情感,則需要先分析動作的基本單元,然后再根據情感與單元組合的映射關系合成相應的交互動作,讓機器執行。1.3情感計算的意義(1)情感計算是實現自然化、擬人化、人格基礎性技術和重要前提“深度”。計算機雖然已經擁有強大的計算能力,但是因缺乏與人相似的情感能力而始終無法與人進行深層次的、自然的人機交互。皮卡德曾表示,當初就是因為在研究人工智能時好像各方面受限于忽視了情感或者無法充分理解情感的機制。這促使她提出情感計算的概念并展開研究。情感的識別和表達對信息的交流和理解是必需的,使機器具備情感智能從而有助于交互信息的深度感知和理解。交互擁有“溫度”。人與機器的交互不再冰冷和程式化,而是更加貼心和共情,以突出人本理念、人性理解、人文關懷。再”。機器擁有了人格化特征、個性甚至是自我意識,可以帶來態。(2)情感計算為人工智能決策提供了優化路徑17—18世紀,法國哲學家勒內·笛卡爾 (RenéDescartes)提出的身心二元論在西方世界占據思想的主流。笛卡爾拒絕承認情感在理性決策中的作用,認為受情感支配會喪失自主權。然而,如今眾多研究已經表明情感在決策、理解、學習等理性思考中扮演著重要且正面的角色并影響最終的結果。認知神經科學家通過對情感障礙病理學、神經生理學、神經影像學等的研究,為情感影響認知這個理論提供了堅實的科學依據。大量的研究表明,人在解決某些問題的時候,純理性的決策往往并非最優解。在作出決策時,情感的加入反而有可能幫助人們找到更優解。因此,情感變量的輸入或將幫助機器作出更加人性化的決策。(3)情感計算在多領域具有巨大應用價值,化、數字化時代具有重大價值應用,極大地提高了人的生活質量和學習者的情感狀態,然后給予相應的反饋和調例如,教師能夠通過情感教學智能系統進一步學生的課堂參與度,以便及時調整教學節奏和,改進教學計劃。智能系統能夠通過情感分析學生感興趣的主題,從而推薦定制化的學習內容。學生也能通過智能系統進行真實的教學反饋,既能在傳統課堂中使用,也能嵌入網絡軟件于線上課堂。特別是在新冠肺炎疫情的影響下,線上教育培訓的應用場景更廣、頻率也更高。但是,遠程教育缺乏面對面互動的情感化課堂氛此使用情感計算的線上課堂值得被應用和推了課堂教育之外,情感計算還有利于教育游育機器人的研究和發展。融入情感元素的游器人能夠帶來更好的人機交互體驗,從而更在醫療健康領域,尤其是在心理疾病的治療情感計算能夠科學和客觀地對患者的情感進行和判斷,這是對行為觀察、量表填寫等主觀性的傳統診斷手段的有益補充。客觀的數據有利性化、精準化醫療水平的提升,根據收集到的在商業服務領域,情感計算的應用更加廣泛。,消費者的體驗與情感高度關聯,情感計算助企業了解消費者的內心世界以及驅動消費誘因。由此挖掘產生的信息能夠協助企業制前瞻性的商業策略。另一方面,融入情感計此外,情感計算還能用于安保防范和輿情監減輕人力成本的同時提升監控質量,保是可以預見其潛力巨大。近代科學大部分是和改造外部世界的過程中發展開來的,但目前人們對內心世界的認識還處于比較粗淺的階段。算是在人工智能框架下的一大進步,體現了高層次的智能,有助于引領人類走向和諧人單模態情感計算多模態情感計算文本情感計算語音情感計算多情感單感計音計算算情感計情模視覺情感計算生理信號情感計算生理策合信號視覺多模態數據集計算計算情感情感態計算多模態融合策略單模態情感計算多模態情感計算文本情感計算語音情感計算多情感單感計音計算算情感計情模視覺情感計算生理信號情感計算生理策合信號視覺多模態數據集計算計算情感情感態計算多模態融合策略互需求的不斷增強,情感計算在人機交互性日益凸顯,基于情感理解與表達的人機也受到了各領域的廣泛關注。情感計算對、推理、決策、規劃、創造、社會互動等動起著不可或缺的作用。基于情感計算的研分析科學中具有重要意義。情感計算大致模態情感計算和多模態情感計算,本章將。情感計情感計算腦電信號心電信號信號肌電腦電信號心電信號信號肌電信號信號信號圖2-1情感計算研究框架2.1單模態情感計算單模態情感計算主要包含文本、語音、視覺、文本就是人與人之間的交流因時空等限制而助的媒介,也是記錄信息的一種載體。文本記錄人的思維意識活動,其中一些文本一定帶有情感向,那么對這部分信息的挖掘、研究和應用就是(1)研究背景和發展現狀由于機器無法直接理解語言文字這種非結NLU)通過語法分析、句法分析與語義分析對句落、語篇等長文本進行理解;二是自然語言言格式的數據轉換成人可以理解的語言格式。NLP由于數據的龐雜,人工分析成本高且耗時耗大數據技術和人工智能技術對文本的情感可以極大地提高效率和準確率。因此,文范疇,主要研究情感狀態與文本信息的對應關系。感的計算主要由文本情感特征標注、文本情計算機無法識別文本,需要先將文本轉為向析。目前,常見的文本生成向量的方法(2)數據集P本分類領域的相關數據集有根據新浪新聞RSS訂分類數據集、搜狗實驗室開發的全網新聞數據(SogouCA)和搜狐新聞數據(SogouCS)、騰訊云消息隊列CKafka上線的數據中心接入的服務模(3)主要方法的情感分類方法大致有五種:通過構建帶有向的情感詞典再基于情感詞典進行比較分析的方法、基于“情感詞典+習”的方法、基于弱標注的方法、基于深度基于傳統機器學習的情感分析方法主要有三類:監督學習、半監督學習和無監督學習。監督學習本質上是分類,通過已有的訓練樣本去訓練以獲得一個最優模型,再將全部的輸入映射為相應的輸出,對輸出進行簡單的判斷從而實現分類目的的方法。常見的監督學習方法有K最近鄰(K-NearestNeighbor,KNN)、樸素貝葉斯(NaiveBayes)、支(SupportVectorMachine,SVM)等。無監督學習沒有任何訓練樣本,需要直接對數據進行建模。常用的無監督學習方法有K均值聚類算法 半監督學習的方法是監督學習與無監督學習相結合的一種學習方法。上述方法雖然簡單易懂也具有較高的穩定性,在精度不高和依賴人工操作的缺陷。基于深度學習的分析方法彌補了這種缺陷。一方面,神絡的引入使模型的預測精度得到提高;另一方面,不需要額外構建字典,從而降低了工作復雜對前后文進行連貫性建模、BERT能夠將全文作為當人在閱讀一段文本時,都是基于自己已經擁有的對先前所見詞的理解來推斷當前詞的真實含義,也就是說,思想具有持久性。于是,循環神經網絡最先被應用到NLP中,保證了信息的持久化和前后信息的連貫性,其中比較經典的RNNGRU)。隨著神經網絡在NLP中的應用逐漸深入,發現組合神經網絡與單一的神經網絡相比往接上捕捉局部特征的CNN,能夠進一步提高精確度。但是,循環神經網絡也不是完美的,尤其是RNN的機制會存在長程梯度消失的問題,對于較子也很難寄希望于將輸入的序列轉化為定長而保存所有的有效信息。為了解決由長序列向量轉化而造成的信息損失的問題,注意力歌公司推出的預訓練語言理解模型BERT,通過大注的語言文本進行語言模型的訓練,從而得到一套模型參數,利用這套參數對模型進行初始根據具體任務在現有語言模型的基礎上進行(4)問題和挑戰文本隱含內容的提取、非標準化文本的出語言的文本情感分析等。鑒于文本情感分圍的復雜性,模型的適用范圍往往較為單在多個應用場景下均保持良好的表現。此的數據集也限制了文本情感分析在多元化進行的。因此,多更符合人對情感的感知,更符合人的情感分析效果更好。根據見方式,由文本情感分析衍生出兩大。(1)研究背景和發展現狀傳統的語音處理系統僅僅著眼于語音詞匯傳準確性,隨著語音識別技術的迅速發展,如何語音中的情感已成為語音識別領域新興的研究向。如今,“物”與“人”的交互變得更加頻繁和重要,人與人之間最自然的交互——語音交互,語音情感是指語音信號蘊含的說話者的情感,現在兩個部分:一個是語音所包含的語言情,另一個是聲音本身所具有的情感特征,如高低變化等。與語音情感相關的計算稱為語計算。語音情感計算的研究內容包括語音情(2)數據集語音情感數據集是語音情感計算的重要組成分。目前,數據集的主要分類方式有兩種:按照情感語音的生成方式、情感的描述模型進行分類。根據語音的生成方式分類,語音情感數據集可被類,分別是表演型、引導型、自然型;根據情感的描述模型分類,數據集可被分為兩類,分別是離散語音情感數據集、維度語音情感數據集。如圖2-2所示。(3)主要方法語音情感識別系統對給定語音的潛在情感進行分類的方法包括傳統方法、基于深度學習的方法。傳統的分類器有兩類:一類是基于統計的分類器,另一類是基于判別的分類器。基于統計的分類器主要包括隱馬爾可夫模型(HiddenMarkov常用的代表性語音數據集常用的代表性語音數據集美國南加利福尼亞大學語音分析和解析實驗室(SAIL)的IEMOCAP(TheInteractiveEmotionalDyadicMotionCaptureDatabase)數據集中國科學院自動化研究所的CASIA(ChineseEmo-tionalSpeechCorpus)數據集和FAU-Aibo(FAUAiboEmotionCorpus)自然型數據庫德國柏林工業大學通信科學研究所的EmoDB(BerlinEmotionalDatabase)數據集德國卡爾斯魯厄理工學院通信工程實驗室收集的無償數據集-VAM(VeraAmMittagDatabase)數據集英國貝爾法斯特女王大學(Queen'sUniversityBelfast)基于英國帝國理工學院(ImperialCollegeLondon)iBUG小組開發的Semaine數據集決策樹(DecisionTree)和SVM。深度學習算法由次的結構和高效的結果而被廣泛應用于語音情感識別領域,主要包括深度玻爾茲曼機(Deep(4)問題和挑戰未達到成熟階段。目前,語音情感計算尚待解決的問題包括缺少被廣泛認可的數據集、標注困難、(1)研究背景和發展現狀各類圖片和視頻如潮水般涌入網絡,這算研究者提供了海量數據,人們嘗試用合目前,視覺情感計算的研究熱點主要包括基部表情的情感識別研究和基于肢體動作的情感研究。基于面部表情的情感識別研究主要通過計算機視覺以及深度學習來理解面部特征和情基于肢體動作的情感識別主要通過人體肢體動獲取人的情感信息。肢體動作與面部相比具有的自由度,這使得它能夠通過更豐富的方式來更復雜的情緒甚至意圖,也有助于使機器具有更豐富、更細微情感的能力,進而挖掘個體內(2)數據集視覺情感數據集可以分為圖片情感數據集 (見圖2-3)和視頻情感數據集(見圖2-4)。(3)主要方法視覺情感計算主要研究從視覺信息感知和理情緒,可以通過傳統機器學習方法與基于深要有方向梯度直方圖、支持向量機、K最近鄰、隨機森林等。但是,當面對長的視覺內容數據量時,傳統機器學習方法難以快速、準確地處理多媒體內容數據的伸縮近年來,深度學習在許多領域均取得不錯的是在圖片分類、圖片識別、圖片檢索等視覺領域。視覺情感計算的深度學習方法與法相比,具有更高的魯棒性與準確性,因此應用于基于視覺的情感計算與分析領域。圖計算方法以卷積神經網絡方法為代表,主要度學習從大量圖像數據中自動學習有助于情的有效特征或強特征,以進一步提升圖片情或分類能力。視頻情感計算方法以循環神經主,該深度學習方法擅長處理視頻等序列輸tDERFADCE人臉檢DERFADCE人臉檢測基準數據集別數據集APSArtPhoto在ArtPhoto在IAPS基礎上的擴展注意力國家心理健康中心開發,旨在為研究情緒和注意力提供一套標準化的主要被廣泛應用于理學研究囊括三種類型的情緒標簽包含負面圖片、正面等照片包含埃克曼提出的六種基本情緒及一個中性情類除了表情標注以外,對典型的圖片情感數據集主流的視頻情感數據集主流的視頻情感數據集LIRIS-ACCEDE包括61個表現不同基本包括61個表現不同基本緒的成年人和25個對出反應的成前被廣感分類個時長為8~12秒)沿著效價軸排序,從最負面的視頻到最積極的視頻,被廣泛用MAHNOBHCI-MAHNOBHCI-據集組成(4)問題和挑戰視覺情感計算在實際應用中面臨不少難題。一是語義鴻溝。語義鴻溝是由于計算機獲取圖片的視覺信息與用戶對圖片理解語義信息的不一致而導致的偏差。二是情感表述的準確性問題和標(1)研究背景和發展現狀基于生理信號的情感計算快速發展。廣義而有身體變化都可以視作生理信號。情感計算常用的生理特征是腦電、心率和心率異變以(2)常用生理信號腦電信號與其他生理信號相比,具有直接客量化、特征多元的特點,并且具有直接相關性,能夠表現出更高的情感識,因此成為基于生理信號的情感識別中應用的信號之一。在腦電信號預處理中最重要的去除偽跡和噪聲,剝離與情感相關的腦電活動,從而提取多種特征:如事件相關電位(ERP)、計量、不穩定指數、高階交叉特征、分形維如事件相關去同步(ERS)、事件相關同步(ERD)、頻微分熵等時頻域特征;非線性動力學特征;空域特征。最后,將多種特征帶入分類器進行分類。經網絡、深度信念網絡、深度殘差網絡等深動在時間和空間上的數據。這些數據主要時間、注視位置、瞳孔大小、眼電圖信號信號是在眼動信號中應用比較廣泛種方式提取特征,并將特征帶入分類器。深度學習算法也逐步被應用于特征提合、情感分類等多個情感識別過程,以肌電信號主要通過電極檢測肌肉收縮時產生的表面電壓,從而獲取肌電圖數據。肌電信號數和時頻域兩個方面。時域主要提取肌電信號的均準差、最大值、最小值等統計學的特征。時要是通過小波變換對肌電信號進行分解,提小波系數的均值、標準差等。肌電信號的預括濾波、降噪等,通過基于時域、頻域以及結合等進行特征提取,利用小波變換、獨立成分分析(ICA)算法等進行特征選擇與降維,從征帶入基于傳統方法的分類器或深度學習算皮膚電信號是一種常用的情感計算指標,依體的汗腺分泌,電導率隨著汗液離子填充汗腺而變化。皮膚電導可以在身體的任何地方測量,的電極放置位置是在手的中指和食指末梢部重要的情感計算特征。皮膚電信號數據集主通過提取統計特征或算法優化的方式進行特征提取,最后將特征放入合適的分類器中進行情感計算。心電信號(ECG)是人體心臟搏動時心肌細胞產生的動作電位綜合而成的。心電信號能夠反映心臟的活動,情緒的變化也會直接導致心臟活動的變化,因此心電信號也能運用于情感識別領域。心電特征主要包括PQRST(心電圖的5個波形)、用的是德國奧格斯堡大學情感生理數據集和HR-呼吸是人體重要的一個生理過程,隨著情感波動,呼吸系統的活動在速度和深度上會有。因此,通過對呼吸信號的研究,可以用于體情感狀態的變化。常用的呼吸信號特征包頻率、平均呼吸水平、連續呼吸之間的最長時間、深呼吸和淺呼吸、相鄰呼吸波峰的間期、呼氣幅度的一階差分、二階差分等。常用的(3)問題與挑戰基于生理信號的情感識別技術雖然已經擁有諸多成功案例,但是存在許多未解決的科學問題。信號的采集不便。測量生理信號是建立生理算系統的第一步,而用于檢測信號的傳感器地受限于場地、環境、可操作性等,也面臨性差和計算能力弱等困擾。其次是生理信號性較低。例如,隨著年齡的變化或某些疾病,生理信號數據會產生差異,即使是同一個著體力活動、交談或姿勢的變換,生理信號同。這并不與情感的變化直接相關。再者是注不精確、數據難以窗口化、采樣繁瑣、數理與計算難度大,以及非情感和情感對生理2.2多模態情感計算雖然人臉表情、肢體動作、語音等均能獨立理解和表達,但是人的相互交流總是通模態信息的綜合表現來進行的。多模態情感以將不同模態之間的信息進行互補并用于消情感分析更準確,具有更高的魯棒性,也更類的自然表達。這讓多模態情感計算成為當單模態的信息量不足且容易受到外界各種因影響,如面部表情容易被遮擋、語音容易受噪擾等。此外,當個體主觀上對情感信號加以掩飾或者單一通道的情感信號受到其他信號影響時,分析性能就會明顯下降。人的情感通常以多種的方式呈現,大腦在整合多感官信息時存在多階段融合的現象。多模態情感分析能夠有效利用模態信息的協同互補來增強情感理解與表達能引入多模態情感計算是提高模型魯棒性等性能別和理解的方法上。多模態情感計算的發展中體現在四個方面:①融合語義信息多尺度進行準確地理解,從多個維度進行多模態情感分析;②提高在復雜環境下情感計算的魯棒性,非協作開放模式下,面向高維碎片化開源數目標對象情感狀態的精準識別;③與預訓練及多任務聯合訓練等方法結合,實現在更多場景下的多模態情感計算;④探索通用的多模態情感計算模型,通過適配多場景應用,實現多模態應用零成本遷移。針對多模態情感計算的迫切需求,美國卡內大學提出了一個大規模的多模態對話情感計文本、用協同語音分析庫技術(COVAREP)抽取不僅具有情感標簽,而且對情感的強弱進行了標注,從而可以支撐細粒度的情感分析任務。目前,生理信號類多模態情感計算資源主要采用音頻刺激方法誘發情緒,同步采集多模態生理進而分析不同情緒下中樞神經系統和自主神經系統的反應,以實現基于多模態生理信號的情別。典型計算資源包括DEAP、DECAF、HR-EEG4EMO等數據集,包含腦電、皮膚電、呼吸、皮膚溫度、心電、肌電、血容量脈沖、眼電等信驗被試者根據自身感受從喚醒度、效價、偏配度和熟悉度等維度進行評分。由于被試個別、年齡等因素均會對情緒激發產生重要影慮引入相關人口統計學信息并建模是非常必算法創新,以提升情感分類的準確率。在情中,每個模塊所傳達的人類情感的信息量大度不同。在人機交互中,不同的維度還存在不完善的問題,因此情感計算應盡可能從多入手,將單一不完善的情感通道補上,最后在模態融合方面,多模態情感計算可分為模關和模型依賴兩種路線。模型無關包括特征級融合(前期融合)、決策級融合(后期融合)和混融合。特征級融合主要先通過構建特征集合或特征空間,再送入分類模型進行分類決策。決融合關鍵在于找出不同模態在決策階段的可信,再進行協調、聯合決策。混合式融合包含上種融合。模型依賴的方法為多模態融合設計了結構,基于核函數的融合和基于圖的融合常用層模型,基于神經網絡的融合、基于張量的融合、基于注意力機制的融合等則多用于深層模型。級融合可以將不同模態特征分別輸入不同模型再進一步提取特征。決策級融合與特征級融合易進行,但關鍵是要探究各個模態對情別的重要程度。然而,模型級融合并不需要重探究各模態的重要程度,而是根據模態特性需立合適的模型,聯合學習關聯信息。總之,模融合相較于決策級融合和特征級融合最大的特于靈活地選擇融合的位置。近年來,有學者提出了多階段多模態情感融合,即先訓練一個單模態模型,將其隱含狀態與另一個模型特征拼接得到雙模態模型并進行再訓練,以此類推,得到多解決多模態情感計算問題需要更豐富的模態以及不同模態之間的細粒度對齊,這無疑對多模態信息的提煉與整合提出了更高的要求。,受情感信息捕獲技術的影響,以及標記困難題,建立高質量多模態數據集是當下的主要挑一。傳統多模態學習范式對特征之間的關聯關息和特征的高階信息的關注不夠,而深度多模習范式則缺乏大規模的情感數據資源,有關多特征融合的情感理解模型研究還有待深入,如語義信息進行多尺度情感準確理解、提高復雜下情感計算的魯棒性、探索通用的多模態情感模型等。這些技術的完善將進一步推動多模態間次均不在引文統計范用機器與人工方式協于機構名稱撰寫不規論文統計的遺漏中國(含港澳臺地區)統計時會說明作者統,主要包括第一作者統計數數據庫的深度分析型研究工具。ESI可以確定在某領域有影響力的國家、機構、出版物、論文JCR數據庫。該數據庫是一個多學科期刊評價工引證報告提供基于引文數據統計信息的期文獻的標引和統計,期刊引證報告可以在期刊層面衡量某項研究的影響力,s發文量/篇發文量/篇策略主題關鍵詞(TS)學科分類(WC)y3.1情感計算領域研究趨勢情感計算已歷經26年的發展,該領域科研人員產心合集數據庫為數據基礎,對該領域的論文進行其中,會議論文13836篇,會議論文和期刊論文感計算領域的全球發文量平穩上升,雖然偶有波的崛起推動了情感計算領域的高速發展,發文量迅速上升,情感計算研究進入爆發式增長階度學習方法創新進入平臺期,情感計算研究也隨之進入平臺期,研究熱度和上升趨勢有所放35003000250020001500100050003208321930772955240121331940 1596138111087676643484515474743482221320174536537313212522219971999200120032005200720092011201320151997199920012003年份域發文趨勢 (2022年不完全統計)占總發文量的百分比/%1997131998201999172000452001362002532003732004132200512520062222007348200845120095472010474201166420127672013201420152016201720182019202020212022緩。2022年,因統計時間窗口未覆蓋全年,數據統計,分析情感計算領域的主要研究陣地。如表3-4所示,在情感計算領域全球發文量前20名的國家中,中國是全部作者和第一作者發中國、印度、英國和德國位居全部作者和第一陣地。其中,美國在全部作者發文量上排名第二,但在第一作者發文量上排名第三,位居印度之后。情感計算領域前20名的全作者發文國家的歷年發 123456789坡坡為步長對情感計算領域發文量前10名國家的發文如圖3-2所示,在整個發文期內,中美兩國1997—2000年中國發國的3倍。由此可見,近年來中國在情感計算領域的研究積累較快,研究數量相比美國有一定的優勢。此外,近兩年印度的發文量首超美 1997—20002001—20042005—20082009—20122013—20162017—20202021—202216231146576717829193國,可見印度逐漸成為情感計算領域的主要研究陣地。本部分以期刊論文為基礎數據進行分析,如期刊上,其中發文最多的是IEEEACCESS,發文量為650篇。該刊在2021年期刊引證報告電 3.476。1204本期刊中有834本在2021年期刊引子分布如表3-7所示,其中影響因子大于10的期刊共計26種,影響因子最高的5本期刊分別是《美國精神病學雜志》(AmericanJournalofPsychiatry)(19.242)、《IEEE控制論交易》(IEEE TransactionsonCybernetics)(19.118)、《信息融合》(InformationFusion)(17.564)、《大腦》 (Brain)(15.255)、《美國計算機協會計算概觀》 ACMComputingSurveys)(14.324)。如圖3-3所示,絕大多數地球科學領域期刊的影響因子都分布在2≤IF<4和4≤IF<7這兩個區間內。本部分通過對情感計算領域論文的Webof 1IEEEAccess2MultimediaToolsandApplications3FrontiersinPsychology4IEEETransactionsonAffective5sors6ExpertSystemswithApplications7Neurocomputing8AppliedSciences-Basel9InternationalJournalofAdvancedienceandApplicationsPsychiatryResearchKnowledgeBasedSystemsizophreniaResearchNeuropsychologiaJournalofIntelligent&FuzzySystemsNeuralComputing&ApplicationsInformationProcessing&ManagementmputationElectronicsIEEETransactionsonMultimediaInformationSciences IF≥104≤IF<72≤IF<4IF2IF≤1圍、作者與編委會的隸屬關系、提供贈情感計算領域的所有文章共涉及158個Web別如表3-8所示。占比最多的類別為計算機科學與人工智能,發文量為10470篇,占總發文量的號1科學與人工智能23科學理論與方法4科學與信息系統5科學與跨學科應用67科學與軟件工程8(續表)號9學科學與控制論和攝影技術科學與硬件架構學學程3.2高水平國際會議本部分結合了《中國計算機學會推薦國際學術會議和期刊目錄》《核心計算機科學會議排名》 家意見形成情感計算領域高水平國際會議列表。需指出的是,該部分只根據目前已有的目錄和排名進行整理和歸納,并不能作為學術評價的依外,會議的影響力并不直接與發表在會議上議號CCFRANKCORERANK1A2A3A4IEEE計算機視覺和模會AA(續表)號CCFRANKCORERANK5IEEE計算機視覺國際議A6算和智能交互國——7IEEE自動人臉和手勢國際會議和研討會CB8IEEE國際聲學語音和BB注:“CCFRANK”“CORERANK”分別為《中國計算機學會推薦國際學術會議和期刊目錄》分類、《核心計算機科學會議排名》3.2.1ACM多媒體國際會議機學會推薦國際學術會議和期刊目錄》中“計媒體”的A類會議。ACMMM視頻和海報演示、輔導、座談會、展覽、研討會、研討會、多媒體挑戰賽等多種方式塑造研究領域的新想法。ACMMM會議專注于推進多媒體的和應用,包括但不限于圖像、文本、音頻、語音樂、傳感器、社交數據。會議涉及的研究主)。信號”領域的研究內容包用戶情感從而開發更具有吸引力的多媒也是《中國計算機學會推會議和《核心計算機科學會議排名》的A+會議。AAAI人工智能會議也設置了情感計算領域的研討會(Workshop),如2018年的“情感內容分析 點對文本和語言進行情感計算,構建情感計算過程中的標準化的基線、數據集和評估指標。《中國計算機學會推薦國際學術會議和期刊目錄》分為A、B、C類。中國計算機學會(CCF)在制定目錄時規定,會議論文是Brief、Summary以及作為伴隨會議的研討會(Workshop)等,不計入目錄。信號和推薦和陳述主題3多媒體內容理解件多媒體系統言管理與索引通過多媒體吸引用戶主題4主題2體驗言處理領域最高級別的會議,由國際計算語言學協辦。國際計算語言學協會是主要的國際科學和專業協會,致力于研究涉及人的語言計算問題。該協會成立于1962年,最初名為機器翻譯和計算語為國際計算語言學協會。國際計算語言學協會的活動除了每年夏天舉行國際計算語言學年會之外,還贊助美國麻省理工學院出版社出版《計算語言學》 的主要出版物。國際計算語言學年會為《中國計算機學會推薦國際學術會議和期刊目錄》人工智能領域的A類會議和《核心計算機科學會議排名》的A+會議。該會議的研究主題為各種語言的計算模型,為特定的語言學或心理語言學現象提供計算IEEE計算機視覺和模式識別會議(IEEEIEEECVPR)是首屈一指的計算機視覺領域年度會計算機視覺基金會(ComputerVisionFoundation)贊助。使用者可以通過計算機視覺基金會開放獲取會議論文。IEEECVPR是《中國計算機學會推薦國際學術會議和期刊目錄》人工智能領域的A類會議和《核心計算機科學會議排名》的A類3.3高水平期刊學院文獻情報中心期刊分區表與期刊引證報表相結合的方式標定高水平期刊,這兩種分是基于期刊影響因子進行分區計算的。特別明的是,期刊影響因子是反應期刊影響力的常用指標,但并不代表期刊或者期刊文章的質量,(1)期刊影響因子期刊影響因子是美國科技信息研究所所長尤EugeneGarfield2年提出的刊的重要指標。該指標是一個相對數量用以調整和修正期刊總被引頻次過大的期刊影響因子是指某刊在某年被全部源刊物2年發表論文在該年的(2)期刊引證報告期刊引證報告包括SCI收錄的12000余種期刊之間的引用和被引用的數據,并對這些數據進行了統計、運算,針對每種期刊定義了期刊影響因子等指數。截至報告撰寫日,《期刊引證報告2021》是最新公布的期刊引文報告。期刊引證報告將期刊劃分為21個大類(Groups)、254個小類 (3)中國科學院期刊引證報告期刊分區中國科學院期刊引證報告期刊分區是中國科獻情報中心的研究成果,中國科

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論