杀死那些没法进行情感分析的物联网应用！ ?你的情绪

作者：Leor Grebler

物联网智库编译发布

转载请注明来源和出处

------ 【导读】 ------

你的情绪，总有一款物联网设备能懂。

近年来，人工智能再次迎来新机遇，而这一次人工智能的到来所带来的最大的影响或许正是影响用户的行为。众所周知， Facebook、Google和Amazon等科技巨头早就已经通过部署大量的科学技术来吸引用户、留住用户，以保持用户在其网站上的点击率、逗留时间等。如今，这些科技巨头将其所掌握的一些人工智能技术扩散到任何一个想要使用它的人。

现在，APP和Web开发人员可以轻易地利用上述这些技术来进行开发。但是，值得一提的是，让人工智能技术发挥最大影响力却是安装在物联网设备上的应用。之所以物联网设备会产生如此巨大的影响力，是因为我们更容易受到触觉、颜色、声音、气味、温度和运动等因素的影响，然而这些感觉无法在APP中直接复制。

也许，有些人会认为，企业会利用掌握的技术来操控人工智能，借以操纵众多用户。但是反过来想，如果企业对用户足够透明的话，那么，企业就可以利用它们生产的物联网设备以及掌握的人工智能技术来帮助用户实现既定的目标。

假如，企业有改善用户幸福指数的明确目标，那么首先要做到的就是利用技术手段来衡量这些指数。今天，我们认为有几种工具可以帮助企业实现这一目标，它们甚至做得比人类自身更好：

特征检测

语调分析

情感检测

以上提到的这些工具其实可以组合使用，创造以前无法实现的一种全新的交互方式以及应用，也为我们提供无法通过肉眼观察得到的见解。当然，通过各种物联网设备来获得这些见解的条件是有一定量是信息输入到设备当中，比如至少有一个或多个麦克风来实现语音交互，甚至还需要摄像头。下文将对特征检测、语调分析和情感检测三个工具进行仔细的分析：

特征检测

语音识别服务通常与返回文本（“语音转文本”API）相关联，但是，语音识别服务同样可以提供有关用户的大量信息。这些信息可以是在与用户交互期间实时收集，并将这些信息用于将来的分析中。通过声音信息的收集，开发者可以轻易描述出说话者的某些特征，如：

性别

语言

年龄

口音

生物特征识别

除此之外，还可以检测出究竟是一个在说话，还是多人的语音混合在一起。

对于一个精明的UX（用户体验）开发人员来说，他可能会为文本到语音引擎设置说话者的性别、口音、说话节奏等众多参数来匹配用户，从而让用户更轻松地使用这些物联网设备。另外，通过识别当前使用的用户，还可以针对该用户提供定制化的内容，或者加载该用户的概要文件等。

目前，提供API接口进行识别并对用户进行分类的企业有Microsoft，Alchemy，Kaggle等。这些公司的业务模式之间存在巨大的差异，它们有着各异的API调用方式、收费标准和设备接入许可等。

情绪分析

用户特征识别只是第一步，下一步是需要分析、理解用户所说的话语中包含着的微妙的含义。在自然语言中，可以将复杂的语句进行分解以便更好的理解用户的意图。但在机器的情感分析中，将会区分用户的用词，目前已有几种服务可以分析文本并提供不同语音部分的反馈。

IBM Watson is one such service. If you feed it text, it will return back multiple aspects of the person’s use of language and personality:

如今也有很多类似的服务在市场上推出，以 IBM Watson作为例子，如果用户输入文本，Watson便可以通过分析该文本输出关于说话者使用的语言、情绪等多方面的个人特征，其中包括：

五大情感特征（善意，自信，外向，情感，开放）

需求

价值

除了IBM以外，Google也可以提供了一项名为情绪分析的服务，Bing/Azure则提供了文本分析功能。同时，还有Qemotion、Text2Data和Opentext等。

对于这些服务来说，一个最大的局限因素是，进行分析时所需的文本长度不足。就拿Watson来说，它需要这个文本至少包含100个字，而这长度通常比人们通过语音或者典型输入指令来命令物联网设备启动相关动作所用的时间长得多。

庆幸的是，设备制造商可以通过以下几种方式解决这个问题：

第一个方式是连续记录和对话转录。不过，这种方式除了让用户感到不安全外，还有其他的局限性，例如在一个多人说话的场景下，服务需要对整个对话进行简化，在这个过程中连续转录通常很容易出错。

另一种方法是随着时间的推移进行长时间的积累，然后在达到最小长度的时候将它们发送出去以进行情绪分析。虽然这种方式看起来比较容易实现，但同时也有不可避免的缺点，因为这种方式无法提供实时分析，加上在样本和上下文内容之间存在差异，因此分析结果并不能十分准确。

第三种方式是通过语音交互融合了其他来源的情绪数据。例如，某用户刚刚发了充满愤怒的短信或写了一封充满爱意的电子邮件，我们就可以对他们的精神状态有一个清晰的想法，然后根据这一认知对语音请求作出回应。

准确判断用户的情绪

早在四年前的CES上，一家名为Beyond Verbal的公司就已经推出情绪检测这种技术。如今，也有一些其他类型的公司可以通过嵌入式软件来做到这一点，如Affectiva，EmoVoice和Vokaturi。

除语音之外，也可以利用机器视觉来提供实时情绪数据和个性化信息。例如，Bing搜索引擎可根据面部分析提供年龄，性别和情绪。

这就意味着，任何带摄像头的物联网设备都可以拍摄下静止图像并上传到API上，同时不断地将信息反馈给设备上并行运行着的任何应用程序。

情绪与情感的结合

综合这些特点，加上其他技术的协助可以让我们更容易实现企业的小目标。这些目标可以是用户明确提出来的要求，也可以是设备基于相关数据分析得出的结论。

然而，对物联网应用的第一个要求是能够快速匹配。

当我们呼叫一个处在寒冷地带的人时，会发现自己正无意识地放慢自己讲话的速度。这种潜意识的做法是为了让自己能更好地与对方进行交流。

对人工智能来说，在我们的语音交互中检测以及做出如上同样的举动并没有太大的困难。节奏，性别和语调都可以很快进行匹配。基于情感分析，我们也可以快速调整互动的简洁性。假如用户的回答比较简短，那么机器的回应也应该相对简短。

第二个要求是能够及时应对负面情绪。

当发现用户有负面情绪时，系统可以尝试通过各种方式来减轻用户的消极情绪，比如：

播放用户喜欢的音乐

改变灯的颜色

适时改变话语量

更改确认音调

更改回复中使用的语言

对于做出以上反应，目前最大的挑战是开发人员必须处理一些输入和响应矩阵。例如，如果亚马逊将情绪检测功能作为Alexa工具包中的一部分，它将同时传递用户的请求以及用户主要的、次要的情绪给开发者。那么，该开发者将不得不为用户的请求以及用户的情绪而创建响应。

开发者有机会根据情绪创建自动回复，并根据用户的心理状态，开始对适应性进行分层。在这里，我们可以应用机器学习来理解哪些适应性对用户的心理状态产生了最大的影响。

结语

有这么一个问题，如果你知道你的物联网设备会让用户在使用的过程中不那么满意，你是否会尽自己所能来改变这些用户的感受？相信对于任何人来说，答案都是肯定的。

那么，如何让用户在使用的过程中感到满意？或许，让你的设备能对用户进行情感分析是一个很好的实现途径。未来，在消费物联网领域，能生存下来的物联网设备也将是能够对用户进行情感分析的终端设备。

往期热文（点击文章标题即可直接阅读）：

《共享单车上的智能锁，做出来有多难？》

《认知计算、区块链IoT、物联网安全…看懂的人将控制未来》

《库卡、ABB、发那科、安川，4大工业机器人巨擘早已在物联网领域屯兵养马》

《【重磅】物联网产业全景图谱报告，首开国内IoT产业二维视角全景图之先河》

《一幅漫画告诉你：除了WiFi，蓝牙，最近火爆的NB-IoT能干嘛？》

《一幅漫画告诉你：NB-IoT背后，还有一个大家都在说的LoRa是什么？》