『运筹OR帷幄』转载
作者：运筹OR帷幄整理
编者按
小编看到这个问题后，想了一下哪些AI技术从理论上可以解决这个问题，想到了三个方面：语义情感分析、表情识别、肢体动作检测 。语义情感分析是对“女票”的只言片语进行分析，并以此为依据预测当出现哪些词语时，说明她要“暴走”了 。表情识别是对“女票”面部表情的识别来预测结果 。肢体动作检测则是通过观察是否有要打人的预备动作来预测情况 。
作者：浩浩耗
地址:
https://www.zhihu.com/question/405049443/answer/1350296490
来源：知乎
著作权归作者所有 。商业转载请联系作者获得授权，非商业转载请注明出处 。
当然可以，前提是你要先输入足够多的高质量数据对模型进行训练，基于训练数据的质量会最终决定预测的效果，否则可能会出现很高的假阳性（AI预测你女朋友要生气了，可事实她没有）或假阴性（AI没有预警你女朋友要生气了，可她突然变脸） 。
好，那如果换做是我，我会这样构建AI模型：
算法：deep learning (深度学习)
文章插图
组别：
生气组：以你注意到其生气为节点，回顾该节点前15分钟内的所有需采集数据（当然，如果你想更早预警，那就需要进一步延长生气节点前的时间）
安稳组：以任意没有生气时为节点，回顾该节点前15分钟内的所有需采集数据（当然，若延长采集时间，同上）
需采集参数：
即时体重（这个可能有点难度，除非刚好旁边有个称），当日穿衣类型（御姐风，萝莉风，JK制服，OL装.......），采集时间段所谈论的话题（聊家常，聊电影，聊吃的，聊八卦，聊工作，吐槽........），采集时间段女友的表情（影像学数据），最近一餐吃的食物，bla bla bla......(不好意思，我就是来答题的，编不下去了)
文章插图
数据量：
至少采集100次女友生气组的数据（数据越多越好，但不要刻意挑衅，以防数据失真），安稳组因为好采集，所以收集200-300组数据就行了 。
好，这么一套骚操作下来，基本的模型应该就能建立了，接下来就是对模型参数的优化了，比如那些数据是不显著的，可以去掉后重新建模，看AUC值是否提高（AUC值越高说明模型预判越好），也可以用PCA主成分分析做个分类 。
总之，理论上，这样就可以用AI来预测女朋友生气了，只不过这么一套骚操作下来，你还有没有女朋友就两说了~
作者：Kevin Zhang
地址：
https://www.zhihu.com/question/405049443/answer/1405760622
来源：知乎
著作权归作者所有 。商业转载请联系作者获得授权，非商业转载请注明出处 。
从理论上来说，只要一件事情满足一定的规律，或者说，在大多数情况下满足某一规律，那么人工智能都可以预测，难点在于：
1.数据的收集
2.外界因素的变化对样本的影响难以估计
我们先来看看第一点，数据的收集对于人工智能来说至关重要，你需要告诉人工智能，在发生了什么事件（自变量x）时，会导致什么事件发生（因变量y），经过大量的样本训练之后，算法才知道遇到什么事件的时候，发生目标事件的概率是多少 。
预测女朋友生气，同样需要大量样本的收集 。在这个场景下，就带来两个问题：
● 样本量越大，预测的结果越精准
● 样本量越大，女朋友生气次数越多，离开你的可能性越大
所以，如果你的目的是为了让人工智能帮助你预测女朋友生气的事件，进而避开相关前置事件，从而达到和女朋友稳定关系的目的，那么训练这个人工智能的过程则有可能让你失去你的女朋友 。因为这些样本必须来自于你的女朋友生气，而不能来自于其他女性的生气，毕竟不同的人对于生气的触发条件大相径庭 。
好吧，我们先假设这个悖论被解决了，你拿捏得恰到好处，获取了足够的样本，又不至于让你女朋友离你而去 。
那么关键的问题就在于就是样本的数据如何收集了 。@宝珠道人大佬已经解释了基于文本的数据采集步骤，此处不再赘述 。我们就来想想，基于非文本的数据采集怎么做呢？
我们假设，样本的采集，限定在你和你女朋友相处的时间段 。那么非文本的数据，大概有视频、语音以及当时的环境要素、天气要素等，甚至包括你女朋友的身体各项指标（如体温、心跳等），当然还包括你的身体各项指标，以及你的外表、穿的衣服、刮没刮胡子等等 。
视频、语音、环境等要素，可以用类似Google Glass这种设备来采集，实时上传到云端进行解析和训练，身体指标可以通过智能设备（如手环）等采集、上传和训练 。对了，为了保护你和你女朋友的隐私，可以采用边缘计算+联邦学习的方式，采集数据以后，在本地进行计算，将计算后的结果，上传至云端参与训练，这样，云端是拿不到具体的视频、语音、身体指标等敏感信息的 。看起来不错，至少有生之年可以实现 。
当然，有人觉得，最直接的方法，是采集女朋友的详细身体指标，比如血液中激素含量等，这个绝对比外界因素更准确 。且不说采集这个数据的难度如何，当激素发生变化的时候，我们认为生气已经几乎再所难免了，我们的目标是，在引起生气的前置事件发生时就加以预测和提示，彻底避免女朋友生气 。
接下来看第二个问题 。我们都知道，一个事情的发生，通常不是由单一因素决定的，通常是由多个因素综合决定的 。加上我们需要预测的是人的行为，而人是一个极其复杂的研究对象，并且，女人比男人更加复杂 。因此女生生气这件事，需要考虑的因素非常多，比如不仅取决于当时的对话内容，更取决于你的历史表现；不仅取决于你和她在一起的时间，也取决于她和你相遇之前遭遇了什么（这就涉及到数据采集的范围扩充了，但是要采集女朋友不和你在一起的时候的数据，实操上更加困难，而且会侵犯她的隐私，导致她无可挽回的生气） 。
类似的情况，是金融机构预测一个人的还款意愿 。相对于较容易量化的还款能力，还款意愿其实很难量化，只能根据一个人的过往借贷记录 。但是当经济环境变化，借款人个人的情况、家庭的情况发生变化时，过往的借贷记录也不一定代表了他当下的意愿 。
【人工智能技术（人工智能的发展）】最关键的，不能让你女朋友知道你在尝试通过AI预测她生气这件事，这会导致多种不可预测的结果 。要么她很好奇，开始伪造样本，假装生气后者在生气时假装平静；要么她很生气，觉得你侵犯她的隐私；要么她很欣慰，觉得你很在乎她 。虽然不能确定她会怎样变化，可以肯定的是她的行为模式一定会发生变化 。
这也是数据分析中很有趣的一个现象 。最经典的莫过于Google Flu了，当年Google通过搜索“Flu”的用户所在地以及搜索数量，成功的遭遇CDC预测了流感的爆发地，这个故事大家都知道，但是很少有人知道，在Google Flu的成果被公布以后，其预测就不再准确了 。因为很多人听说之后感到好奇，尝试性的搜索“Flu”，使得样本出现巨大偏差 。
总的来说，人工智能在理论上，可以预测女朋友生气，但是实操起来难度太大 。并且，以现在人工智能的水平，你在收集数据的过程中，应该会比人工智能更快的掌握导致女朋友生气的要素，从而比人工智能更快更好的预测女朋友生气 。所以我认为，男同胞们可以参考人工智能学习的方法论来尝试预测女朋友生气，你会比AI更加智能 。
作者：溪亭日暮
地址：
https://www.zhihu.com/question/405049443/answer/1388577952
来源：知乎
著作权归作者所有 。商业转载请联系作者获得授权，非商业转载请注明出处 。
只要拥有女朋友大容量、准确可量化的历史数据，基于这些特点，AI就能预测女朋友什么时候生气（手动狗头） 。
咳咳，先来界定一下AI预测女友生气的理想目标：
通过AI神经网络，能洞察未来女友情绪的波动（包含生气和开心等），提前预见1 – 3天她情绪的潜在变化；同时能通过AI筛选出女朋友一些“重要的生气场景和日期”，通过数据挖掘，AI模型、量化技术等，帮助男朋友进行更有价值的恋爱决策 。
听起来是不是妙啊~~~~~啥也别说了，就想问这个APP哪里有卖！
好吧，我们马上来构建这个女朋友生气预测模型 。
“AI预测女友生气”技术原理
首先，尽可能早地把从你认识女朋友从最开始认识的时候 （如果你们还是小学同学，那就赚到了），到当前、此时、此刻、此分此秒，你们交往过程中的所有数据，想办法通过数据软件和工具记录、整理在案 。然后通过AI，按时间顺序，将女朋友情绪变化的技术面、消息面、基本面的数据绘制下来，并利用线性代数等数学工具，从这些数据中得出正向影响元素和负向影响元素 。
再将这些正负影响元素按照时间顺序进行归纳，得出当前女朋友心理状态情况，并从历史角度来看，有哪些正负影响因素 。
每过一段时间，你归纳、整理的女朋友历史数据就会更大，AI分析能力也更强，逐渐形成了正循环 。
“生气预测”可以采用机器学习来进行，包括“训练”和“测试”两个部分：AI能将既有的女友情绪数据打乱，随机抽出一部分用作训练，一部分用作测试 。训练的目的是为了从中找到当前数据中最有效的因素，而测试数据则是用于检验当前的训练的结果 。
打个比方，就像一位“情绪预测学霸”参加考试 ，200套卷子，先选做150套，用于练习、归纳，积累经验 。剩下的50套试卷，则是用来检验学习的效果 。
对于同样的200套试卷，学霸有好几种划分“训练-测试”卷子的方法 。当然，每一次训练-测试，他都可能得到不同的结果：第一次取前150套卷子，后50套用来测试；第二次，取后150套卷子，前50套用来测试 。如果结果表明，第一次选择的训练卷，效果比第二次好，那么学霸之后学习会偏向第一次训练得出的结论学习 。
AI在“女朋友生气预测”中的原理和上面的类似，只不过把“试卷”换成了“数据集” 。
AI通过不断模拟女朋友的情绪状况，将她最有可能生气的历史结论反馈给你 。且不论预测得是否准确，AI都会记录下结果 。至此，AI一次次从实战中学习，分析出在何种情况（条件）下，何种影响因素“最容易让你的女朋友生气” 。
通过年复一年，日复一日地训练，一个“女友生气预测学霸”就能诞生 。
用Python构建女友生气预测模型
由于Python语言封装完整，更易于传递使用者简单的思想，下面我们以Python为例，看看AI是如何预测女友生气的 。
作为简单的模型预测，首先我们得给出一个模型假设：
1)你的女友生气不是100%随机的（估计这条很多人就满足不了）；
2)某一类负面情绪会重复出现；
3)女友生气时能遵循人的理性行为（手动微笑脸）；
4)女友的个性是“正常的” 。
根据前面部分原理所分析的机器学习步骤，我们先获取数据（包括用python获取数据你女友在社交平台上的文本数据），然后训练模型，最后使用这个模型来预测女友什么时候可能生气 。
比如，利用神经网络训练模型，使得模型在一定的情绪负向变化阈值下对男朋友输出警示，并在一定的正变化阈值下，对男朋友输出解除警示 。
为了训练这个神经网络，可基于女朋友每月历史数据，构建和注释数据集，并创建一个称为“信号“的功能 。该功能将根据更改阈值在集{0,1,-1}中产生值 。
神经网络包含正向传播和反向传播以及激活函数的选择，正向和反向传播是由大量计算量叠加起来的过程，不用人为干涉，让电脑去算就好；但我们需要选择好的激活函数，激活函数如：ReLU 与二值交叉熵损失函数，双曲正切函数和铰链损失等 。需注意的是，像ReLU这种负输入为0输出（如下图）的函数得规避 。
文章插图
若训练成功，则基于此模型，输入的数据将会反馈对应的权重，提醒男朋友作出应对选择 。
嗯 ，下次你和女友约会前 ，不妨通过封装好的函数，调用数据集，看看输出结果，再决定赴不赴约吧。
作者：綾音Ayane
地址：
https://www.zhihu.com/question/405049443/answer/1410615013
来源：知乎
著作权归作者所有 。商业转载请联系作者获得授权，非商业转载请注明出处 。
不请自来 。本文以分析目标生气逻辑为主 。
看到上面已经有很多专业的分析了 。那么这里就不专业的分析一下 。
首先，女朋友为什么生气呢，有一说一，以上回答都没有get到女朋友生气的原因 。
鄙人不才，碰巧性别为女 。先给大家分析一下一般女朋友生气的时候的思维流程 。
毕竟，不管我们做什么，都是需要目标进行分析的！
（做完了才发现我没有把“他有没有哄我”做进去…唉反正生气了如果他没哄一般来说就是打爆他的头了…大家理解就行 。）
设女友脾气指数为a，该指数描述女友是否容易生气，指数越小越不容易生气 。该指数会因为“生理期”，“最近被秀恩爱了”“最近生活上烦心事很多”而浮动 。
0<a<1
文章插图
（画外音：我a很低的快来看看我）
那么现如今越来越发达的科技也好算法也好，到底能不能解决这个问题呢 。
我认为，在一定程度上是可以的 。
首先说这个“脾气指数”a，它是个动态数据 。但是！我们可以通过大数据来读取女朋友最近有没有烦心，有没有到生理期，甚至可以读取这次她生理期有没有很难受 。
我们还可以读取你最近对她脾气如何，上次过节送没送礼物，礼物是认真选的还是随便挑的等等 。
这样一定程度上可以避免女友生气 。
当然了 。我们还可以使用人工智能，就像有些大佬说的，我们可以用AI神经网络，读取女友的面部表情，通过无数次的学习来判断女友是否在生气 。
AI还可以学习女友什么时候生气，生气了是用什么工具打爆你的头的 。（不是x
当然了，人家AI也不是上来就会撩妹（划掉）哄女友的，他也是需要不停的学习的
那么要如何调教工具人AI呢
首先，他得明白我们女朋友到底在说什么…比如去洗澡了是真去洗澡了还是生气了，比如随便是真的随便还是薛定谔的随便 。
既然我们要让机器理解这些，就得把他们转化成机器能看懂的东西——数字矩阵 。
目前，NLP中的表示方法一共有两大类，独热表示和分布式表示 。
独热表示就是我们常见的One-hot Representation，也是我刚刚接触到的表示方法（对就是那个好多0只有一个1的遍地飘零的编码（不是x），不只是NLP中会用到One-hot，在其他机器学习领域也会用到它 。简单来说，就是生成一个类别数长度的向量，这个向量中除了一个维度是1以外，其他维度都为0，而这个维度就代表这个类别，在NLP中，也就代表一个字或者词 。
到目前为止，基于分布假说的词表示方法，根据建模的不同，主要可以分为三类：
基于矩阵的分布表示、基于聚类的分布表示和基于神经网络的分布表示 。
（小声：他们的操作都差不太多：
（图为nlp自然语言处理
（擦我的图呢）
当然说了这么多，我们也就再提一嘴情感分析的理论知识 。它也有两个分支 。
基于情感词典：是指根据已构建的情感词典，对待分析文本进行文本处理抽取情感词，计算该文本的情感倾向 。最终分类效果取决于情感词典的完善性 。
基于机器学习：是指选取情感词作为特征词，将文本矩阵化，利用logistic Regression, 朴素贝叶斯(Naive Bayes)，支持向量机（SVM）等方法进行分类 。最终分类效果取决于训练文本的选择以及正确的情感标注 。
当然了像，在听大神讲座的时候，我发现这个情感分析其实很像写小说，也分有What，Why，How
（可能小说写得好也不怕女友生气？）
『What』
情感分析是文本分类的一个分支，是对带有情感色彩（褒义贬义/正向负向）的主观性文本进行分析，以确定该文本的观点、喜好、情感倾向 。
比如，文本"这是书读来爱不释手"归为正向，"这本书很难看"归为负向 。当然也有层次更多的分类 。
『Why』
被研究的主观性文本包括顾客对某个产品的评论，大众对某个新闻热点事件的观点等 。通过这些文本，商家可以为消费者提供决策参考，相关机构也可以了解舆情，但人工分析耗费大量成本 。
『How』
目前有基于情感词典的情感分析和基于机器学习的情感分析这两种主流方法 。
好的，理论知识就讲到这里，要不要继续更新取决于这次的讲座我能不能追下去 。
相信在无数次的调教之后（也就是无数次头被打爆之后），每次女友一生气，家里的小爱同学啊天猫精灵啊就会尖叫：
“警报警报！女友生气了！为了您的生命安全，请及时把家中锐器藏好，并躲在卫生间里反锁门不要打开 。”
以上其实都是玩笑话啦 。
女孩子是一种很细腻的生物，有时候你做了什么让她们不舒服的事情，她们经常不会马上发作，而是会憋在心里 。
尤其是没有安全感的时候，真的是不敢发脾气啊有木有 。总会担心，他会不会觉得我太作了啊，我还是要当个好女孩的 。
可是不满总是会在心里积累的，慢慢的，很可能就是一件小事引发了脾气 。她发泄的不是这件微不足道的事，而是许许多多积累下来的事情 。
女孩子吵架真的很容易翻旧账（是的我也是）
所以我们要做的并不是用人工智能判断女朋友是否生气，而是要在平时给她安全感，经常说一说类似于，我有什么让你不开心的地方一定要及时和我说哦，然后经常谈谈心 。
这样可以极高的降低女朋友生气打爆你的头的概率 。而且，还可以培养用户习惯，让她习惯有了事情坐下来心平气和的解决，而不是一味地发脾气 。
嗨，说了这么多，我不还是没有女朋友
猜你喜欢