想象你是一位画家，面对一张空白的画布，想画出“高兴”的感觉。你有两种方式：一是从颜料管里挤出已经配好的“开心红”，直接涂上去；二是在调色盘上混合出明亮的暖色，细细调整它的明度与饱和度。情感计算这个领域，做的事情就像教会 AI 成为一位“情感调色师”——让机器能读懂人类情感画布上的笔触，甚至自己也能调出相应的色彩。 这篇文章要讲的就是情感计算的“调色理论”：有哪些情感颜料管（离散情感模型）、如何用连续的坐标自由调色（维度情感模型）、三维立体调色（PAD 模型），以及面对不同的作画场景该如何选择合适的工具。你会发现，人类复杂的情感世界，在计算机眼中不过是一组精心设计的坐标与标签——而这恰恰是 AI 走向情感智能的第一步。

岗位关联

对 AI 从业者而言，理解情感表示方法是构建情感识别与生成系统的地基：它决定了你用什么数据结构去代表情绪，也决定了模型能学到多细腻的情感边界。

目录
  1. 可视化演示
  2. 情感计算概览
  3. 离散情感模型
  4. 维度情感模型
  5. PAD三维模型
  6. 模型对比选择
  7. 情感AI应用
  8. 挑战与展望
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示情感计算的维度模型与定义框架的核心机制，通过源头/管道/节点/终端四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

情感计算的维度模型与定义框架：情感计算 情感计算定义与Picard理论 Ekman基本情感理论与离散分 核心机制可视化 情感计算的维度模型与定义框架整体架构与关键组件

情感计算概览

小学徒第一次走进画室时，师父不会让他直接动笔，而是先带他认识画室的“使命”：把人类的情感变成画布上的艺术。情感计算做的事情也类似——它要教会计算机识别、理解甚至表达人类的情绪。你说话时的语气、表情里的细微变化、文字背后隐藏的喜与忧，都是计算机要捕捉的“颜料”。

从技术上说，情感计算（Affective Computing）是一个跨学科方向，始于 1995 年 MIT 媒体实验室的 Rosalind Picard 教授。它的核心流程可以概括为：传感器采集信号（语音、图像、文本）→ 算法提取情感特征 → 模型预测情感状态 → 系统作出情感回应。这个过程就像画家观察模特的微表情、手势和姿态，再在画布上重现同样的情感。

在实际实现中，情感状态预测可以形式化为一个映射函数：输入特征，输出情感。这个函数既可能是分类器（输出离散标签），也可能是回归器（输出维度坐标）。

小学徒明白了，画室的目标不是取代画家，而是让画布拥有读懂人心的能力。情感计算的意义也不在于替代人类情感，而是给机器装上一双“能看见情绪的眼镜”，让它们在与人的交互中更自然、更有温度。

Epred=f(Xsensor;θ)E_{pred} = f(X_{sensor}; \theta)
这个公式表示：给定传感器特征 \(X_{sensor}\) 和模型参数 \(\theta\)，通过映射函数 \(f\) 得到预测的情感状态 \(E_{pred}\)。一句话理解——“输入信号，输出情绪”。
  1. 传感器特征从麦克风、摄像头等设备采集的原始数据经过预处理后得到的特征向量：
    Xsensor={x1,x2,…,xn}X_{sensor} = \{x_1, x_2, \ldots, x_n\}
  2. 映射函数负责把特征空间变换到情感空间的模型，可以是神经网络、SVM 等：
    f:Rn→Ef: \mathbb{R}^{n} \to \mathcal{E}
  3. 模型参数需要通过标注语料学习得到的可训练参数：
    θ=arg⁡min⁡θL(f(Xsensor;θ),ytrue)\theta = \arg\min_{\theta} \mathcal{L}\left(f(X_{sensor}; \theta), y_{true}\right)
  4. 预测输出最终得到的情感状态，可以是离散标签（如"happy"），也可以是维度坐标：
    Epred=f(Xsensor;θ)E_{pred} = f(X_{sensor}; \theta)

离散情感模型

画家第一次打开颜料盒，看到的是整整齐齐插着的颜料管，每根管子上贴着标签——大红、柠檬黄、群青。这些颜料管用起来方便，挤出来就是标准颜色。早期的情感计算研究者也是这样想的：人类的情绪是不是也就这么几种标准色？于是他们把情感分门别类地装进“颜料管”里，这就是离散情感模型。

离散情感模型的核心假设是：人类存在少数几种“基本情绪”，这些情绪具有跨文化的普遍性。其中最有名的是心理学家 Paul Ekman 提出的六种基本情绪：快乐（Joy）、悲伤（Sadness）、愤怒（Anger）、恐惧（Fear）、厌恶（Disgust）和惊讶（Surprise）。在计算机看来，这六种情绪就是六个离散的类别标签，情感识别任务因此变成了一个标准的多分类问题。

输入一段语音或一张人脸图像，系统提取对应的特征向量 \(x\)，然后计算它属于每个情绪类别的概率，最后取概率最大的类别作为识别结果。

但很快研究者发现，人的情绪远比六管颜料丰富。高兴和狂喜有细微差别，忧伤和沮丧也不完全一样。当你挤完颜料管，瞥见调色盘上那些自由混合的丰富色彩时，一个念头冒了出来：为什么不直接在调色盘上调制情绪呢？这就引出了维度情感模型。

y^=arg⁡max⁡k∈{1,2,…,K}P(y=k∣x)\hat{y} = \arg\max_{k \in \{1, 2, \ldots, K\}} P(y = k \mid x)
这个公式的意思是：在所有可能的情绪类别中，挑出概率最大的那个作为预测结果。就像从颜料管中挑出最接近真实情感的那管颜色。
  1. 候选情感集合假设系统预定义了 \(K\) 种基本情感类别（如 Ekman 六情绪时 \(K=6\)）：
    {1,2,…,K}\{1, 2, \ldots, K\}
  2. 后验概率给定输入特征 \(x\)，模型计算出它属于第 \(k\) 类情感的条件概率：
    P(y=k∣x)P(y = k \mid x)
  3. 最大概率选择遍历所有类别，取概率值最大的那个作为最终预测标签：
    y^=arg⁡max⁡kP(y=k∣x)\hat{y} = \arg\max_{k} P(y = k \mid x)

维度情感模型

画家渐渐不满足于颜料管的限制——“开心红”画得出开心的聚会，却画不出毕业时那种“开心中带着不舍”的复杂心情。于是他开始尝试在调色盘上自由混合。情感计算领域也发生了同样的演进：研究者不再把情感当作孤立的标签，而是看作连续空间中的坐标点。

维度情感模型（Dimensional Emotion Model）的核心思想是：情感不是几个离散的盒子，而是一张连续的画布。最经典的是效价-唤醒度二维模型（Valence-Arousal Model）。其中，“效价”（Valence）衡量的是情感的积极与消极程度，好比调色盘上的“冷暖色温”——暖色代表积极，冷色代表消极；“唤醒度”（Arousal）衡量的是情感的生理激活水平，好比颜色中的“饱和度与明度”——颜色越鲜艳明亮，唤醒度越高。

在这个二维空间中，任何情感都可以表示为一个坐标点。例如“快乐”通常位于右上角（高效价+高唤醒），“平静”位于右下角（高效价+低唤醒），“悲伤”位于左下角（低效价+低唤醒），“愤怒”则位于左上角（低效价+高唤醒）。

二维空间就像一个自由调色盘：你可以把“淡淡的忧伤”调成效价 -0.4、唤醒度 0.3，也可以把“欣喜若狂”调成效价 0.95、唤醒度 0.9。与颜料管的“非此即彼”不同，这个调色盘上每一种混合色都有名字，但又没有唯一的名字——一切都取决于坐标的精确位置。

e⃗=(v,a)T,v∈[−1,1], a∈[0,1]\vec{e} = (v, a)^{T}, \quad v \in [-1, 1], \ a \in [0, 1]
这个公式用两个连续数值来描述一种情感：\(v\) 是效价，\(a\) 是唤醒度。就像用“色温+亮度”两个参数来描述一种颜色，连续可调，细腻可控。
  1. 情感坐标向量把一种情感状态表示为一个二维列向量，两个分量分别是效价和唤醒度：
    e⃗=(v,a)T\vec{e} = (v, a)^{T}
  2. 效价取值范围\(-1\) 代表极度消极，\(+1\) 代表极度积极，中间的数值表示不同程度的偏向：
    v∈[−1,1]v \in [-1, 1]
  3. 唤醒度取值范围\(0\) 代表极度平静，\(1\) 代表极度兴奋，中间是各种层次的激活水平：
    a∈[0,1]a \in [0, 1]

PAD三维模型

当画家开始画复杂的群像时，二维调色盘也不够用了——他需要第三个维度来表现“画面的深度”，让色彩在前景与背景之间产生层次感。PAD 三维模型正是为此而生，它在效价-唤醒度平面之上，增加了一个“支配度”（Dominance）维度。

PAD 三维情感模型由 Mehrabian 和 Russell 提出，用三个维度来描述情感状态。P 代表愉悦度（Pleasure），衡量情感的积极/消极倾向，与效价类似；A 代表激活度（Arousal），衡量生理和心理的激活水平，与唤醒度类似；D 代表支配度（Dominance），衡量个体对环境或情境的控制感与主导感。支配度回答的是“你在这个情境中感到有掌控力，还是感到被动无助”——这是二维模型无法覆盖的重要信息。

举个例子：“愤怒”和“恐惧”在效价-唤醒度空间中位置接近（都是低效价+高唤醒），但两者的支配度截然不同——愤怒源于“我要反抗”的掌控感（高支配），恐惧源于“我要逃离”的失控感（低支配）。PAD 模型通过第三个维度，把这对“近邻”清晰地分开了。

PAD 模型的价值在于，它让情感空间的“分辨率”更高了。就像画家从平面调色升级到立体调色，不仅能看到“颜色是什么”，还能感知“颜色所处的空间层次”。这为计算机刻画愤怒与恐惧的微妙差异提供了数学工具。

e⃗=(p,a,d)T,p,a,d∈[−1,1]\vec{e} = (p, a, d)^{T}, \quad p, a, d \in [-1, 1]
这个公式用三个连续值描述情感：愉悦度 \(p\)、激活度 \(a\)、支配度 \(d\)。好比画家在二维调色盘上增加了“景深”维度，让情感有了立体层次。
  1. 愉悦度分量衡量情感体验的积极与消极方向，正值为愉悦，负值为不愉悦：
    p∈[−1,1]p \in [-1, 1]
  2. 激活度分量衡量生理和心理的激活水平，正值表示高激活（兴奋、紧张），负值表示低激活（放松、疲惫）：
    a∈[−1,1]a \in [-1, 1]
  3. 支配度分量衡量个体对情境的控制感，正值为有掌控感，负值为被动或屈从：
    d∈[−1,1]d \in [-1, 1]
  4. 三维合成三个分量共同构成一个立体情感空间中的向量，可区分二维模型中重叠的情感：
    e⃗=(p,a,d)T\vec{e} = (p, a, d)^{T}

模型对比选择

画家出师后，面对不同的画种学会了选择工具：画水彩速写求快，拿起颜料管直接挤；画油画要表现光影层次，就在调色盘上细细调和。情感计算系统也面临同样的选择——没有绝对的好坏，只有合不合适的任务。

在情感识别任务中，离散模型有着天然优势：类别标签直观、可解释性强、评估指标（准确率、F1 值）清晰。如果你要做一个“客服满意度检测”系统，只需要判断用户是“满意”还是“不满意”，离散模型简单高效。而情感生成任务（比如让虚拟角色说话时带情绪）则更适合维度模型：连续坐标可以直接映射到语音韵律参数或面部动画强度，生成更自然细腻的情感过渡。

实时性也是重要的考量因素。离散模型通常计算更轻量（分类器直接输出标签），适合对延迟敏感的场景；维度模型需要回归计算，但现代轻量级模型已能满足实时要求。一个实用的策略是“混合使用”：识别阶段用离散标签做快速判断，生成阶段用维度坐标做细腻调整，两者互补。

最终，聪明的调色师会同时带上颜料管和调色盘。离散模型是“快速上手”的工具，维度模型是“精雕细琢”的工具，PAD 模型则是“复杂场景”的利器。理解了它们的差异，你才能在设计情感系统时做出正确的取舍。

Score(M,T)=w1×Acc(M)−w2×Lat(M)\text{Score}(M, T) = w_1 \times \text{Acc}(M) - w_2 \times \text{Lat}(M)
这个公式表示：在任务 \(T\) 中选择模型 \(M\) 时，要在准确率（Acc）和延迟（Lat）之间做权衡，\(w_1\) 和 \(w_2\) 是权重。一句话——“没有最好，只有最合适”。
  1. 综合得分对每个候选模型计算一个综合分，分数越高越适合该任务：
    Score(M,T)\text{Score}(M, T)
  2. 准确率项模型的识别准确率越高，得分越高：
    w1×Acc(M)w_1 \times \text{Acc}(M)
  3. 延迟惩罚项模型的响应延迟越高，扣分越多：
    w2×Lat(M)w_2 \times \text{Lat}(M)
  4. 权衡权重根据任务需求调节准确率与延迟的相对重要性（实时系统 \(w_2\) 更大）：
    w1+w2=1w_1 + w_2 = 1

情感AI应用

学成出师的情感调色师走进 AI 美术馆，开始为真实的观众服务。第一个场景是智能客服：当你打电话给运营商投诉时，AI 客服不再机械地念菜单，而是实时分析你语气中的效价与唤醒度——如果你的唤醒度飙升到 0.8 以上，它会自动转接人工经理并降低语速；如果你的效价稳定为正，它会更积极地进行交叉销售。

第二个场景是驾驶疲劳监测。摄像头捕捉驾驶员的面部表情，系统在效价-唤醒度空间中追踪情绪轨迹。当唤醒度持续偏低、效价趋向中性时，说明驾驶员可能陷入昏昏欲睡的低唤醒状态，系统立即发出警示音。这里用到的正是维度模型的连续追踪能力——离散标签无法刻画“逐渐困倦”的过程。

第三个场景是虚拟数字人的情感表达。在教育或陪伴场景中，虚拟人需要根据用户的情感状态做出回应。系统先通过多模态感知（语音+表情+文本）融合用户的情感信号，再通过维度坐标控制虚拟人的语音音调、微笑幅度和肢体动作，让它在“理解情绪”的基础上“表达共情”。

情感调色师的价值，正在于把抽象的数学坐标落地为真实的产品体验。从客服中心的情绪感知，到驾驶舱的安全守护，再到虚拟人的温暖陪伴，情感计算正悄悄改变着人机交互的温度。

Emulti=α×Eaudio+β×Evisual+γ×EtextE_{multi} = \alpha \times E_{audio} + \beta \times E_{visual} + \gamma \times E_{text}
这个公式表示：多模态情感识别把语音、图像、文本三种模态各自预测的情感状态加权融合，得到更可靠的最终情感判断。好比画家同时观察模特的脸色、语气与说的话，才能画出真正传神的肖像。
  1. 模态情感输出语音、视觉、文本三个通道各自独立预测情感坐标：
    Eaudio, Evisual, EtextE_{audio}, \ E_{visual}, \ E_{text}
  2. 加权融合用权重 \(\alpha, \beta, \gamma\) 对三个通道的结果做线性组合：
    Emulti=α×Eaudio+β×Evisual+γ×EtextE_{multi} = \alpha \times E_{audio} + \beta \times E_{visual} + \gamma \times E_{text}
  3. 权重归一化三个权重之和为 1，保证融合结果在合理范围内：
    α+β+γ=1\alpha + \beta + \gamma = 1

挑战与展望

即便是最老练的调色师也会遇到难题：同一抹红色，在朝阳中是希望，在晚霞里是哀愁；在东方文化中代表喜庆，在某些西方语境中却意味着危险。情感计算面临的最大挑战，恰恰就是这种“同一信号、不同含义”的复杂性。

第一个挑战是个体差异。有人开心时放声大笑，有人开心时只是微微一笑；同一个人在不同心情下表达悲伤的方式也不同。模型如果只学会“平均的情绪表达”，遇到个性鲜明的用户就会失灵。第二个挑战是情境依赖——哭泣可能意味着悲伤，也可能是因为喜极而泣；皱眉可能是愤怒，也可能是在强光下眯眼。脱离情境谈情感，就像脱离画布谈颜色。

未来的发展方向包括：引入情境感知机制，把对话历史、环境信息、文化背景纳入情感建模；发展个性化情感模型，像画家研究每位模特的独特气质一样，为不同用户定制情感表征；以及建立更完善的情感数据伦理规范，防止情感识别技术被滥用。

情感调色师的修行之路还很漫长。但可以确定的是：离散模型给了我们清晰的起点，维度模型给了我们连续的视野，PAD 模型给了我们立体的深度。当这些工具与上下文理解、个性化建模结合时，AI 才能真正从“读懂表情”走向“读懂人心”。

Etrue=Eobserved+δcontext(C,I)E_{true} = E_{observed} + \delta_{context}(C, I)
这个公式表示：真实情感 \(E_{true}\) 等于观测到的情感信号 \(E_{observed}\) 加上一个修正项 \(\delta_{context}\)，这个修正项由情境 \(C\) 和个体特征 \(I\) 共同决定。一句话——“同样一个表情，在不同人和不同场景下含义不同”。
  1. 观测情感直接从表情、语音、文本中提取到的原始情感信号：
    EobservedE_{observed}
  2. 情境修正项基于上下文情境与个体差异计算出的校正量：
    δcontext(C,I)\delta_{context}(C, I)
  3. 真实情感修正后的最终情感估计，更接近用户内心的真实状态：
    Etrue=Eobserved+δcontextE_{true} = E_{observed} + \delta_{context}

AI 应用场景

智能客服情绪感知

阶段：情感识别（Valence-Arousal 映射）

解决的问题：传统客服只能等待用户主动表达不满，容易错失安抚时机。通过实时分析用户语音的音调变化（高唤醒度）和用词极性（负效价），AI 可以在用户爆发前 30 秒预判情绪恶化，主动切换服务策略，将投诉率降低约 23%。

具体案例：某电信运营商在客服热线中嵌入情感计算模块。当用户的效价持续低于 -0.6 且唤醒度超过 0.7 时，系统自动将通话转接给高级人工客服，并在屏幕上提示“用户当前处于高焦虑状态，建议先表达歉意”。这一系统上线后，客户满意度提升了 18%。

虚拟数字人情感陪伴

阶段：情感生成（PAD 坐标驱动表达）

解决的问题：传统虚拟助手回应机械、情感空洞。借助 PAD 三维模型，系统先分析用户情感的愉悦度、激活度和支配度，再映射到虚拟人的语音音调、面部微表情和肢体动作，让数字人“带着情绪”回应。

具体案例：一款面向独居老人的陪伴型数字人，在早间问候时检测到用户语音中的低激活度（可能情绪低落），便会用更温暖明亮的音色（调节 P 与 A 坐标）说：“今天天气很好，要不要一起去阳台晒晒太阳？” 视觉表现上配合更大的微笑幅度与更开放的肢体姿态（高支配度动作）。

驾驶疲劳实时监测

阶段：实时多模态融合识别

解决的问题：疲劳驾驶是交通事故的重要诱因，传统监测依赖方向盘传感器，误报率高。基于维度模型的多模态方案同时分析驾驶员面部表情（唤醒度下降）和语音响应延迟，在效价-唤醒度空间中持续追踪状态变化。

具体案例：某商用车车队管理系统在驾驶室内安装红外摄像头，每 5 秒计算一次驾驶员的情感坐标。当唤醒度连续 2 分钟低于 0.15 且效价趋向 0 时，系统判定为“微睡眠”前兆，触发座椅震动提醒，并将坐标数据上报云端分析疲劳规律。

Python 演示

python50 行
import math EMOTION_ANCHORS = {    "happy": (0.8, 0.7),    "calm": (0.5, 0.2),    "sad": (-0.7, 0.2),    "angry": (-0.7, 0.8),    "fear": (-0.5, 0.7),    "surprise": (0.1, 0.9),}  def va_to_emotion(valence: float, arousal: float) -> str:    """将效价-唤醒度坐标映射到最近的情感标签"""    best_label = ""    best_dist = float("inf")    for label, (v, a) in EMOTION_ANCHORS.items():        dist = math.sqrt((valence - v) ** 2 + (arousal - a) ** 2)        if dist < best_dist:            best_dist = dist            best_label = label    return best_label  def text_to_va(text: str) -> tuple:    """极简词典法: 统计正负情感词得到粗略效价与唤醒度"""    pos_words = {"开心", "喜欢", "棒", "满意", "爱"}    neg_words = {"难过", "讨厌", "差", "失望", "恨"}    pos_hits = sum(1 for w in pos_words if w in text)    neg_hits = sum(1 for w in neg_words if w in text)    total = pos_hits + neg_hits    if total == 0:        return 0.0, 0.3    valence = (pos_hits - neg_hits) / total    arousal = 0.5 + 0.4 * min(total / 3.0, 1.0)    return round(valence, 2), round(arousal, 2)  if __name__ == "__main__":    samples = [        "这部电影太棒了，我很喜欢！",        "这个结果让我很失望。",        "今天的天气不错。",    ]    for s in samples:        v, a = text_to_va(s)        emo = va_to_emotion(v, a)        print(f"文本: {s}")        print(f"效价={v}, 唤醒度={a} => 情感: {emo}")        print()
目的：演示离散情感模型与维度情感模型的结合——先把文本映射到效价-唤醒度坐标（维度模型），再通过最近邻查找映射回情感标签（离散模型）。
  1. EMOTION_ANCHORS = {...}定义六种基本情绪在效价-唤醒度空间中的锚点坐标，这是离散模型“颜料管”的数字表示
  2. def va_to_emotion(...)核心函数：输入一个维度坐标，输出最近的情感标签
  3. math.sqrt((valence - v) ** 2 + (arousal - a) ** 2)二维欧氏距离公式，衡量当前坐标与每个锚点的远近
  4. pos_hits = sum(1 for w in pos_words if w in text)统计文本中积极情感词的命中次数，简单的词典法情感打分
  5. valence = (pos_hits - neg_hits) / total用正负词的占比计算效价：正词多则效价为正，反之则为负
  6. arousal = 0.5 + 0.4 * min(total / 3.0, 1.0)情感词出现越多，唤醒度越高；最多封顶到 0.9

常见误区

误区很多初学者认为一个情感计算系统要么用离散模型，要么用维度模型，两者互斥，就像颜料管和调色盘只能带一个去写生。

正解实际工业界大量系统会混合使用两者——识别阶段用离散标签做快速分类（判断用户是满意还是不满），生成阶段用维度坐标做细腻的参数控制（调节语音的愉悦度和激活度）。两种模型是互补工具，而非敌对路线。

为何常见：教材为了讲清概念通常分章节独立介绍，加上“离散 vs 维度”的对比框架深入人心，容易让读者形成非此即彼的印象。

误区以为效价只用来判断情绪是积极还是消极，就像一个开关只有开和关两个状态。

正解效价是连续值，从 \(-1\) 到 \(+1\) 之间有无数个中间状态。-0.3 和 -0.6 都是消极，但前者接近中性、后者接近强烈的负面体验。精确区分这两种效价水平，在情感细粒度识别中至关重要。

为何常见：人类在日常生活中习惯于用“开心/不开心”做粗略分类，这种二分类思维被无意识地迁移到了对维度的理解上。

误区认为唤醒度只是“情绪有多强烈”的另一种说法，愤怒和狂喜之所以唤醒度高，是因为它们“强”。

正解唤醒度描述的是生理和心理的激活水平——心率和呼吸加快、注意力高度集中，而非情绪的主观强度。一个人可以“平静而坚定”（高强度但低唤醒），也可以“惊惶失措”（高强度且高唤醒）。强度和唤醒度是两个正交的概念。

为何常见：日常语言中“强烈”和“激动”经常混用，让人误以为强度就是激活水平。

误区看到维度模型能表达连续、细腻的情感，就觉得它是离散模型的升级版，凡是情感任务都应该用维度模型。

正解模型选择取决于任务需求。情感识别任务中离散模型的可解释性、标注一致性和评估简单性仍然无可替代；维度模型在连续生成和细微情感迁移上更强，但标注成本更高、可解释性较弱。两者没有高下之分，只有适用场景之别。

为何常见：人类倾向于认为“更精细 = 更先进”，但忽略了工程实践中简单可靠的方案往往更受欢迎。

误区以为 Ekman 提出的六种基本情绪（快乐、悲伤、愤怒、恐惧、厌恶、惊讶）就是人类情感的全部“基本颜色”，任何情感都能归入其中之一。

正解Ekman 的六情绪是心理学史上最有影响力的分类，但并非定论。后续研究还提出了轻蔑、尴尬、骄傲等候选基本情绪；一些文化中的特定情绪（如日语中的 “amae“）也难以纳入六分类。基本情绪集合是”为了方便计算而做的离散化”，而非情感的终极真相。

为何常见：教科书和论文反复引用 Ekman 六情绪，使其成为“标准答案”；初学者容易把“经典”误解为“唯一”。

面试题

Q1. 情感计算的核心目标是什么？

单选题 · easy

  • A.让计算机识别、理解并表达情感← 正确答案
  • B.让计算机拥有完整的类人情感体验
  • C.彻底取代人类之间的面对面情感交流
  • D.提高计算机硬件在复杂运算中的效率

答案：A。情感计算的核心是让计算机具备识别、理解、表达情感的能力。B 夸大为“拥有完整情感体验”（这远超情感计算范畴），C 完全替代人类交流不现实，D 与硬件性能无关。

Q2. 以下哪组属于 Ekman 提出的六种基本情绪？

单选题 · easy

  • A.快乐、悲伤、愤怒、恐惧、厌恶、惊讶← 正确答案
  • B.幸福、孤独、嫉妒、羞愧、骄傲、焦虑
  • C.喜欢、难过、羡慕、害羞、内疚、紧张
  • D.满意、忧郁、暴躁、害怕、讨厌、惊奇

答案：A。Ekman 的六种基本情绪是快乐（Joy）、悲伤（Sadness）、愤怒（Anger）、恐惧（Fear）、厌恶（Disgust）、惊讶（Surprise）。B、C、D 都混入了非基本情绪或日常描述词。

Q3. 效价-唤醒度二维模型中，“效价”（Valence）描述的是什么？

单选题 · mid

  • A.情感的积极与消极程度← 正确答案
  • B.情感的生理激活水平高低
  • C.情感对环境的控制力大小
  • D.情感表达的持续时间长短

答案：A。效价是情感的正负极性程度，从消极到积极连续变化。激活水平是唤醒度，控制力是支配度，持续时间则不属于维度模型的核心轴。

Q4. 在效价-唤醒度平面中，“愤怒”通常位于哪个区域内？

单选题 · mid

  • A.高效价与高唤醒的区域
  • B.低效价与高唤醒的区域← 正确答案
  • C.高效价与低唤醒的区域
  • D.低效价与低唤醒的区域

答案：B。愤怒是典型的高唤醒消极情绪，因此位于低效价（消极）与高唤醒（激动）区域。快乐在高效价+高唤醒，平静在高效价+低唤醒，悲伤在低效价+低唤醒。

Q5. 以下哪些属于维度情感模型的组成维度？

多选题 · mid

  • A.效价（Valence）← 正确答案
  • B.唤醒度（Arousal）← 正确答案
  • C.支配度（Dominance）← 正确答案
  • D.面部表情关键点坐标

答案：ABC。效价和唤醒度构成二维模型，支配度是 PAD 三维模型增加的第三个维度。D 是特征提取层面的概念，不是情感表示维度。

Q6. PAD 三维模型中"D"（Dominance）度量的是情感的什么特点？

单选题 · mid

  • A.个体对情境的控制感与主导感← 正确答案
  • B.个体情绪的积极或消极方向
  • C.个体生理上的兴奋与激活水平
  • D.个体情感表达的清晰与模糊程度

答案：A。支配度衡量的是个体在情境中感到有掌控力还是被动无助。B 对应愉悦度，C 对应激活度，D 是表达清晰度，不属于 PAD 任一维度。

Q7. 关于离散情感模型与维度情感模型，下列说法正确的有哪些？

多选题 · hard

  • A.离散模型在情感分类任务中可解释性强← 正确答案
  • B.维度模型能表示更细粒度的情感差异← 正确答案
  • C.维度模型在所有任务上都优于离散模型
  • D.两种模型可以在实际系统中混合使用← 正确答案

答案：ABD。离散模型输出类别标签，可解释性和标注一致性更好（A 正确）；维度模型连续表示，能表达细微情感差异（B 正确）；C 过于绝对，识别任务中离散模型往往更实用；D 正确，工业界常混合两者各取所长。

Q8. 在效价-唤醒度空间中，坐标点 (-0.8, 0.85) 最可能对应哪种情感？

单选题 · hard

  • A.快乐
  • B.愤怒← 正确答案
  • C.平静
  • D.悲伤

答案：B。效价 -0.8 表示极度消极，唤醒度 0.85 表示高度激活，符合愤怒的特征。快乐需要正效价，平静需要低唤醒，悲伤需要低唤醒。

Q9. 下列哪些是情感计算的常见应用方向？

多选题 · easy

  • A.智能客服实时感知用户情绪← 正确答案
  • B.驾驶疲劳状态的监测与预警← 正确答案
  • C.虚拟数字人携带情感地表达回应← 正确答案
  • D.数据库索引的查询性能优化

答案：ABC。A 是情感识别在客服中的应用，B 是维度模型在安全监测中的应用，C 是情感生成在虚拟人中的应用。D 属于数据库技术，与情感计算无关。

Q10. 关于 PAD 三维模型与效价-唤醒度二维模型的关系，正确的是？

单选题 · hard

  • A.PAD 增加支配度轴，能刻画更微妙的情感差异← 正确答案
  • B.PAD 与二维模型是完全独立的两种理论体系
  • C.PAD 在二维基础上删减了效价维度的信息
  • D.PAD 仅适用于语音情感识别任务

答案：A。PAD 的 P 和 A 分别对应效价与唤醒度，新增的 D 维度能区分如“愤怒（高支配）”与“恐惧（低支配）”这类二维空间难区分的情绪。B 错误，两者是扩展关系；C 错误，PAD 包含效价；D 错误，PAD 适用于多模态情感建模。