1.5 機遇和挑戰

隨著大數據時代的到來，網絡上積累的信息資源越來越多，信息總量呈指數級增長。與此同時，隨著多媒體融合、深度學習發展、特定主題挖掘和多語言協同等研究熱點的興起，給文本情感分析帶來了新的挑戰和機遇。

（1）面向大數據的文本情感分析

大數據技術的發展使數據的收集變得非常容易且成本低廉，對海量的信息數據進行挖掘，可以獲得巨大的產品或服務價值。然而收集的數據大多以非結構化文本形式存儲，且噪聲較多，在對文本數據進行情感分析時，主流方法的時間復雜度和空間復雜度較高，難以滿足訓練大規模數據的需求，需要提出面向大數據的并且具有增量學習能力的文本情感分析方法。

（2）多媒體融合的情感分析

傳統的情感分析主要關注文本，然而圖片等多媒體通常可以比文本表達更明顯的情感狀態，即所謂的“一圖勝千言”。此外，另一種情感信息表達的主要載體——語音，也可以很好地反應用戶的當前情感狀態。因此，隨著圖像、音頻等不同類型社交網絡數據的不斷增長，各種類型的用戶數據相結合的研究將具有更好的應用前景。

（3）多語言情感分析

隨著文化交流的增加，多種語言的網絡信息相互影響與融合。現有工作主要針對單一語言，而在單一語言情感分析中所收集到的訓練語料和情感詞典，難以在多語言的環境中直接使用。對于多語言情感分析，在解決情感分析任務的基本問題時，還需要借助機器翻譯、雙語詞典等外部資源，很容易引入翻譯錯誤，還有文化偏差等因素的存在，這些都對多語言情感分析提出了更大的挑戰。此外，不同語言情感分析的語料資源也存在不均衡性，對于一些低資源語種的情感分析則更加困難。

（4）深層意圖理解

雖然目前深度學習在文本情感分析上取得了巨大的突破，然而對人類情感的深層理解仍需要復雜知識的支持，實現從理解字面意思到言外之意的躍遷。比如，在社交媒體中，諷刺是比較常見的表達方式，往往被人們用來表達和文本字面相反的情感。此外，目前的技術還很難捕捉字面之外的深層意圖，比如有些話題在當前文本中只字未提卻能讓人展開豐富聯想。要實現深層意圖理解，不僅需要對內容發起人進行畫像分析，還需要引入常識、事理、心理等各種知識進行推理，是一項更難、更綜合的任務。