情感理论模型

简介: 情感理论模型


1.介绍:

情感理论模型是情感分析的基础,主要包括情感分类模型和维度情感模型。情感分类模型将人的基本情绪分为不同类别,而维度情感模型则将情感看作连续变化的系统,根据维度的不同可以分为二维情感模型和三维情感模型。

2.情感理论模型:

将人的基本情绪分为不同类别。

每个人都存在一套内在的基本情绪,这些基本情绪可以分为不同的类别,并且可以跨文化识别。美国心理学家Ekman提出的基本情绪理论指出,人的基本情感包括快乐、悲伤、愤怒、恐惧、厌恶和惊奇,每一种情绪都有特定的特征和不同程度的表达。

2.维度情感模型:

将情感看作连续变化的系统,根据维度的不同可以分为二维情感模型和三维情感模型。

2.1二维情感模型

从两个维度来描述人的情感。

  1. Russell提出的情绪环形理论将情感分为愉悦度和唤醒度。该模型揭示了情感体验的结构关系,有助于概念化情感。他认为情绪可划分为两个维度:愉快度和强度。
    其中愉快度分为愉快和不愉快,强度分为中等强度和高等强度。由此可以组合成四种类型:
    愉快一高等强度是高兴
    愉快一中等强度是轻松
    不愉快一中等强度是厌烦
    不愉快一高等强度是惊恐

2.1三维情感模型

拓展了情感分析的维度。

  1. Plutchik提出了情感轮盘,情绪具有强度、相似度和两极性三个维度,并采用倒立圆锥的形象来描述情感三个维度的结构关系。引用
    情绪不是情感,但它是合成情感的元素。
    这个理论主要是情绪表现在不同的强度时,情绪之间会互相影响产生不同的情感,建立新的情绪状态。

    1)每一个花瓣代表一类情绪。颜色越深,情绪就越重,或者说越饱和。颜色越浅,情绪就越轻微、越留有空隙。
    2)两两相对的花瓣,代表相反的情绪。左上方四个亮色调的是正向情绪,右下方四个暗色调的是负向情绪。可以互相克制。
    3)在极其强烈的情绪之下,复合不出新的情感。只有当情绪开始变弱、变得比较柔和的时候,在那些情绪的交界地带,才能复合出新的情感。
  2. Mehrabian提出了PAD三维情感模型,认为情感具有愉悦度、唤醒度和支配度三个维度。
    其中:
    愉悦度(Pleasure-displeasure):表示个体情感状态的正负特性,包括积极和消极两个对立状态(如喜欢和厌倦、愉悦和难过),这个维度体现了情感的本质;
    唤醒度(Arousal-nonarousal ):表示情感的生理激活水平和警觉性,包括高唤醒(如兴奋)和低唤醒(困倦)状态,表示情绪的强度特征;
    支配度(Dominance-submissiveness):则表示个体对情感状态的主观控制程度,即是个体发出的还是受外界环境所影响的。

    PAD情绪量表, 它可以从3个维度上更精确地评定心境或情绪状态。根据这3个维度可以将情绪划分为8类:引用

+ P +A +D, 如高兴的; - P - A - D,如无聊的;

+ P +A - D, 如依赖的; - P - A +D,如蔑视的;

+ P - A +D, 如放松的; - P +A - D,如焦虑的;

+ P - A - D, 如温顺的; - P +A +D,如敌意的。


目录
相关文章
|
6月前
|
机器学习/深度学习 算法 数据挖掘
【机器学习】算法术语、决策函数、概率模型、神经网络的详细讲解(图文解释)
【机器学习】算法术语、决策函数、概率模型、神经网络的详细讲解(图文解释)
172 1
|
2月前
|
机器学习/深度学习 搜索推荐 数据挖掘
深度学习之因果关系建模
基于深度学习的因果关系建模是一项旨在通过深度学习技术识别和理解数据之间因果关系的研究领域。因果关系建模不仅仅关注变量之间的相关性,还希望揭示导致某种结果的根本原因。
106 2
|
4月前
|
数据采集 机器学习/深度学习 自然语言处理
利用阿里云实现情感分析:从理论到实践
在当今数字化时代,了解用户的情感和态度对于企业和组织来说至关重要。情感分析(Sentiment Analysis)是一种自然语言处理技术,用于识别和提取文本中的主观信息,如情感倾向和情绪状态。本文将介绍如何使用阿里云平台提供的工具和服务来实施情感分析,并探讨其在不同场景下的应用。
232 0
利用阿里云实现情感分析:从理论到实践
|
4月前
|
机器学习/深度学习
大模型概念问题之什么是人类反馈信号强化学习(RLHF)
大模型概念问题之什么是人类反馈信号强化学习(RLHF)
|
6月前
|
机器学习/深度学习 人工智能 自然语言处理
论文介绍:自我对弈微调——将弱语言模型转化为强语言模型的新方法
【5月更文挑战第17天】论文《自我对弈微调》提出了一种新方法,名为SPIN,用于在无需额外人工标注数据的情况下增强大型语言模型(LLM)。SPIN利用自我对弈机制,让模型通过与自身历史版本交互生成自我训练数据,实现性能提升。该方法在多个基准数据集上表现出色,超越了传统监督微调和直接偏好优化。SPIN还为生成对抗网络研究提供了新思路,展示了自我对弈在强化学习和深度学习中的潜力。实验表明,SPIN有效提升了模型性能,为未来研究奠定了基础。[[arxiv](https://arxiv.org/abs/2401.01335v1)]
68 3
|
6月前
|
人工智能 调度 vr&ar
探索生成模型的新篇章:扩散模型的理论与实践
【4月更文挑战第11天】扩散模型作为新兴的生成工具,基于变分自编码器(VAE)和去噪扩散概率模型(DDPM),通过逐步添加噪声生成样本,广泛应用于图像和视频生成,展示出在逆问题解决上的潜力。尽管训练复杂且计算需求高,研究者正通过新理论框架和SDE方法优化模型,以应对挑战并提升性能。
60 1
探索生成模型的新篇章:扩散模型的理论与实践
|
6月前
|
机器学习/深度学习 算法
机器学习的魔法(二)超越预测的界限-揭秘机器学习的黑科技-探索监督学习中的回归和分类问题
机器学习的魔法(二)超越预测的界限-揭秘机器学习的黑科技-探索监督学习中的回归和分类问题
174 0
|
算法
基于模态凝聚算法的特征系统实现算法的自然激励技术(Matlab代码实现)
基于模态凝聚算法的特征系统实现算法的自然激励技术(Matlab代码实现)
108 0
|
机器学习/深度学习 数据可视化 算法
解读随机森林的决策树:揭示模型背后的奥秘
通过解读随机森林决策树,我们可以揭示模型背后的奥秘。我们可以分析决策树节点的重要性和特征的贡献度,了解模型预测的依据。随机森林决策树还可以应用于金融风险评估、医学诊断等领域,并取得了很多成功案例。继续研究随机森林和决策树的价值将有助于提升模型的性能和解释能力。
150 0
|
机器学习/深度学习 人工智能 算法
自监督为何有效?243页普林斯顿博士论文「理解自监督表征学习」,全面阐述对比学习、语言模型和自我预测三类方法
自监督为何有效?243页普林斯顿博士论文「理解自监督表征学习」,全面阐述对比学习、语言模型和自我预测三类方法
138 0
自监督为何有效?243页普林斯顿博士论文「理解自监督表征学习」,全面阐述对比学习、语言模型和自我预测三类方法