情感计算旨在让机器像人一样理解情感和表达情感，是目前人工智能研究中极其有价值的研究领域之一。随着社交媒体的快速发展，社交媒体数据中的情感元素占比剧增，已成为政府、民众和产业界关注的重点。情感计算在研究上结合社会学、管理学、传播学等基础学科，在应用上涉及电商、教育、金融等各领域的落地场景，具有很强的跨学科跨行业特点。利用情感计算技术，充分挖掘数据中蕴涵的情感信息，具有巨大的社会价值和经济价值。机器是否可以理解人类情感、如何发现情感背后的原因以及如何更好地实现人机情感智能交互等问题的研究将是对传统人工智能研究的有力提升，也必将极大地推动人工智能技术的发展。同时，情感计算与其他学科的结合，促成了交叉学科的发展，学界对相关技术的研究热情持续高涨，尤其在新工科和新文科的高等教育改革中具有桥梁和纽带的作用。
从情感计算概念第一次出现至今，经历了无数挑战和变革。情感计算技术也不断迎来新的挑战。社交媒体数据从单一的文本评论发展为丰富的声图文混合的评论，情感表达形式从新闻评论发展为人机交互等方式，如何融合多模态情感进行情感计算、如何处理大量的隐式情感信息以及如何进行情感心理健康检测及情感陪护等问题成为研究焦点。尤其是在以ChatGPT为代表的生成式人工智能技术时代，情感计算的研究范式发生了改变，如何将情感融入大语言模型中，以及如何使人工智能技术符合社会预期、符合人类价值观等成为大模型时代的情感计算新增的研究方向。
与此同时，越来越多的研究人员和学生进入这个领域，迫切需要为这个领域培养青年人才，而编写和出版教材是其中非常重要的一环。党的二十大报告中指出：“我们要坚持教育优先发展、科技自立自强、人才引领驱动，加快建设教育强国、科技强国、人才强国，坚持为党育人、为国育才，全面提高人才自主培养质量，着力造就拔尖创新人才，聚天下英才而用之。”教育强国是筑基、铸魂工程，它为科技强国和人才强国提供可持续的强力支撑。因此，下面这本由秦兵、赵妍妍、林鸿飞、王素格、徐睿峰五位资深专家主笔，一共聚集了国内10余名情感计算领域专家编写而成的《情感计算》教材应运而生。
书号：9787111754633
定价：89.00元
五位领域资深专家联袂编著
探索情感计算的奥秘，解码人心的微妙语言
主要内容：
本书共分13章，包括情感计算的基础任务，如情感语义表示、情感分类、隐式情感识别、情感原因识别等，还包括情感计算的延伸应用，如立场检测、计算论辩、情感生成、多模态情感计算等。更重要的是，本书还对大模型时代下的情感计算进行了分析和讨论。本书内容取自专家们多年的研究积累，书中介绍的原理、方法充分结合了理论与工程实践，内容由浅入深、循序渐进，适用于具有一定专业知识基础的研究生以及相关研发机构的科研工作者和工程师，希望引起更多学者的兴趣，共同探索这个充满未知和希望的研究方向。
编辑推荐：
近年来，在深度学习、大数据等革命性技术的推动下，人工智能领域迎来了又一个春天。在人工智能的研究中，既包括对于人类理性思维的模拟，还包括对人类感性思维的计算。本书重点讲述的文本情感分析技术就属于后者。该技术源于自然语言处理领域，但也有别于一般的自然语言处理任务。文本情感分析面向的处理对象是社交媒体中产生的用户评论文本，该文本的特点是带有大量的用户主观情感信息，因此该技术的核心是通过自动分析评论文本来进行情感的理解。
文本情感分析技术已有20 余年的研究历史，凝聚成了多项研究任务和实用技术，已应用于舆情分析、电子商务等领域，具有重大的社会价值和商业价值。本书介绍的知识点包括文本情感分析的基础理论和资源、核心任务，以及上层应用三大部分。在文本情感分析的基础理论和资源部分，该书将讲述基于深度学习的情感表示方法，以及语料、词典和相关评测等资源；在文本情感分析的核心任务部分，该书将讲述文本情感分类、情感信息抽取、隐式情感、多模态情感等若干核心任务；在文本情感分析的上层应用部分，该书将讲述观点分析、情感文摘等典型应用。本书可以为自然语言处理、人工智能等领域的科研人员和IT 从业者提供创新的发展视角及相关理论、方法与技术支撑，也可作为相关专业高年级本科生和研究生课程教材。
前言
第1章 绪论 1
1.1 情感计算概述 1
1.1.1 情感及其意义 1
1.1.2 情感计算的概念与历史 2
1.1.3 情感计算的内容 2
1.2 从资源到表示 3
1.2.1 情感分类标准 3
1.2.2 情感词典 4
1.2.3 情感语义表示 4
1.3 从识别到生成 5
1.3.1 情感分析 5
1.3.2 情感原因发现 7
1.3.3 情感生成 7
1.4 从单模态到多模态 8
1.4.1 单模态情感分析 8
1.4.2 多模态情感分析 9
1.5 从个体到群体 9
1.5.1 个体情感 9
1.5.2 群体情感 10
1.5.3 个体情感和群体情感的
区别与联系 10
1.6 从理论到应用 10
1.6.1 推荐系统 11
1.6.2 抑郁症预测 11
1.6.3 聊天机器人 12
参考文献 12
第2章 文本情感语义表示 14
2.1 文本情感语义表示简介 14
2.1.1 文本情感语义表示的
基本概念 14
2.1.2 文本情感语义表示的
研究任务 18
2.2 静态情感语义表示学习 20
2.2.1 算法思想 20
2.2.2 代表性算法模型 21
2.3 动态情感语义表示学习 27
2.3.1 算法思想 28
2.3.2 代表性算法模型 28
2.4 文本情感语义表示的未来
展望 39
2.5 本章总结 40
参考文献 41
第3章 粗粒度文本情感分类 43
3.1 粗粒度文本情感分类简介 43
3.1.1 文档级情感分类的基本
概念 43
3.1.2 跨领域文本情感分类的
基本概念 44
3.1.3 跨语言情感分类的基本
概念 44
3.2 基于传统机器学习的文本情感
分类方法 45
3.2.1 基于无监督的文本情感
分类方法 45
3.2.2 基于情感特征的统计机器学
习文本情感分类方法 46
3.3 基于深度学习的文本情感
分类方法 48
3.3.1 基于递归神经网络的
文本情感分类 48
3.3.2 基于卷积神经网络的
文本情感分类 50
3.3.3 基于循环神经网络的
文本情感分类 51
3.4 跨领域文本情感分类 55
3.4.1 基于实例迁移策略的跨
领域文本情感分类 55
3.4.2 基于特征迁移策略的跨
领域文本情感分类 56
3.4.3 基于参数迁移策略的跨
领域文本情感分类 57
3.5 跨语言文本情感分类 59
3.5.1 基于机器翻译的方法 60
3.5.2 基于预训练模型的方法 61
3.5.3 基于生成对抗网络的方法 63
3.6 本章总结 64
参考文献 65
第4章 细粒度情感分析 68
4.1 细粒度情感分析任务及基本要素 68
4.2 经典的属性级情感分析任务 71
4.2.1 属性抽取 71
4.2.2 属性情感分类 73
4.2.3 <属性，情感>配对抽取 77
4.3 属性类别相关的细粒度情感分析 78
4.3.1 属性类别的检测 79
4.3.2 基于属性类别的情感分类 79
4.3.3 属性类别–情感的联合
分类 79
4.4 观点词相关的细粒度情感分析 80
4.4.1 属性词和观点词的联合
抽取 80
4.4.2 基于属性词的观点词抽取 81
4.4.3 <属性词,观点词>配对
抽取 81
4.5 多元组形式的细粒度情感分析 81
4.5.1 <属性词,属性类别,情感
极性>三元组抽取 81
4.5.2 <属性词,观点词,情感
极性>三元组抽取 82
4.5.3 <属性词,属性类别,
观点词,情感极性>
四元组抽取 84
4.6 包含更多要素的细粒度情感分析 84
4.6.1 包含观点持有者的细粒度
情感分析 85
4.6.2 基于比较观点的细粒度
情感分析 85
4.7 细粒度情感分析的挑战 86
4.8 本章总结 87
参考文献 87
第5章 隐式情感分析 92
5.1 隐式情感分析基本概念 92
5.2 事实型隐式情感分析 94
5.2.1 基于语言特征的隐式情感
分析方法 94
5.2.2 基于情感常识知识表示的
事实型隐式情感分析方法 95
5.2.3 基于异构用户知识融合的
隐式情感分析 97
5.3 比喻/隐喻型隐式情感 98
5.3.1 基于词语特性的隐喻分析
方法 99
5.3.2 基于语义场景不一致的
隐喻序列标注方法 100
5.4 反讽型隐式情感分析 103
5.4.1 基于词汇信息和上下文
的反讽识别方法 103
5.4.2 融合语言特征及背景信息的
反讽型隐式情感识别方法 104
5.4.3 基于情感对比和多视角
注意力的反讽识别方法 106
5.5 反问型隐式情感分析 107
5.5.1 基于句法结构的反问型
情感分析方法 108
5.5.2 基于多特征融合的反问型
隐式情感分析方法 109
5.6 幽默识别 111
5.6.1 幽默识别的基本概念 111
5.6.2 基于语音和模糊性语义
理解的门控注意力机制
的幽默识别方法 112
5.7 隐式情感语料库 113
5.8 本章总结 114
参考文献 114
第6章 情感原因分析 119
6.1 问题定义与分类 119
6.2 情感原因识别方法 121
6.2.1 基于规则的方法 121
6.2.2 基于统计的机器学习方法 123
6.2.3 基于深度学习的方法 125
6.2.4 各类方法的特点分析 131
6.3 情感–原因对联合抽取方法 132
6.3.1 基于流水线结构的方法 132
6.3.2 基于端到端结构的方法 133
6.4 展望 139
参考文献 142
第7章 文本立场检测 145
7.1 文本立场检测定义与分类 145
7.2 特定目标立场检测 147
7.2.1 基于规则的方法 147
7.2.2 基于统计的机器学习
方法 148
7.2.3 基于深度学习的方法 150
7.3 多目标立场检测 153
7.4 跨目标立场检测 156
7.4.1 基于知识迁移的模型 156
7.4.2 基于图网络的模型 158
7.4.3 融合外部知识的方法 159
7.5 零样本立场检测 159
7.5.1 基于知识迁移的模型 159
7.5.2 基于对比学习的模型 160
7.5.3 融合外部知识的方法 162
7.6 其他立场检测相关研究 163
7.7 本章总结 164
参考文献 164
第8章 计算论辩 167
8.1 论辩理论 167
8.2 独白式论辩 169
8.2.1 论辩挖掘 170
8.2.2 论辩质量评估 172
8.3 对话式论辩 174
8.3.1 交互论点对识别 175
8.3.2 对话式论辩生成 176
8.4 论辩应用 179
8.4.1 智慧论辩 179
8.4.2 智慧教育 181
8.4.3 司法领域 182
8.5 总结和未来方向 184
参考文献 185
第9章 情感生成 187
9.1 情感生成简介 187
9.1.1 情感生成的基本概念 187
9.1.2 情感生成的主要研究
任务 189
9.2 主观评论生成 190
9.2.1?结合推荐系统 192
9.2.2?融合细粒度信息 193
9.2.3?扩展输入知识源 194
9.3 情感对话系统 196
9.3.1 情感对话生成 196
9.3.2 融合共情的对话交互 200
9.3.3 基于情绪支持策略的
对话交互 204
9.4 情感生成的未来展望 208
9.5 本章总结 209
参考文献 209
第10章 多模态情感计算研究 212
10.1?基于语音的情感语义表示学习 212
10.1.1?语音情感分析的背景 212
10.1.2?情感描述方法 214
10.1.3?语音情感特征提取 216
10.1.4?语音情感识别模型 218
10.1.5 海量互联网语音半监督
情感分析 219
10.2?基于图像的情感语义表示学习 222
10.2.1?图像情感分析的背景 222
10.2.2?可解释的图像情感分析 223
10.2.3?图像的美学风格理解 224
10.2.4 图像生成 225
10.2.5?计算美学的其他应用 227
10.3 多模态心理健康计算 229
10.3.1 多模态心理健康计算
简介 229
10.3.2 单一数据集的多模态
抑郁检测 230
10.3.3 跨平台的多模态抑郁
检测 233
10.4 本章总结 237
参考文献 237
第11章 情感分析的评测与资源
介绍 241
11.1 情感词典 241
11.1.1 情感词典的构建方法 241
11.1.2 情感词典资源介绍 246
11.1.3 小结 247
11.2 情感分析语料库 247
11.2.1 情感分析语料库构建 247
11.2.2 情感语料资源介绍 248
11.2.3 情绪语料资源介绍 249
11.2.4 多模态情感语料资源
介绍 250
11.2.5 对话情感语料资源介绍 253
11.2.6 小结 254
11.3 情感分析评测 254
11.3.1 国外情感分析评测 255
11.3.2 国内情感分析评测 258
11.3.3?小结 259
11.4 情感分析资源延展阅读 259
11.5 本章总结 260
参考文献 260
第12章 情感计算应用 263
12.1 推荐系统中的情感计算 263
12.1.1 推荐系统中的情感计算
简介 263
12.1.2 情感计算在推荐系统中
的去偏差应用 264
12.1.3 情感计算在推荐系统中
的增加可解释性应用 266
12.2 心理健康诊断中的情感
计算 270
12.2.1 概述 270
12.2.2 情感计算在抑郁检测中
的应用 270
12.2.3 情感计算在抑郁检测中
的相关研究方法 272
12.2.4 抑郁检测中的案例
分析 275
12.2.5 抑郁检测相关数据集 278
12.2.6 心理健康诊断领域的
研究展望 281
12.3 媒体数据情感分析中的情感
计算 281
12.3.1 经济、市场与服务中的
情感分析 281
12.3.2 自然灾害管理中的情感
分析 284
12.4 本章总结 288
参考文献 288
第13章 大模型时代下的情感
计算 291
13.1 大模型时代下的机遇与挑战 291
13.2 大模型时代下现有情感计算研究
方向进展 292
13.2.1 细粒度情感分析 292
13.2.2 情感对话生成 297
13.2.3 多模态情感分析 303
13.3 大模型时代下涌现的新的研究
方向 307
13.4 本章总结 312
参考文献 312
编辑：周睿
审核：李永泉、姚蕾
欢迎讲授相关课程老师申请样书
有机会免费获得！
