近來，關于情感分析的研究一直被大家所津津樂道，然而關于這項分析方法究竟有多大的實用性，則是眾說紛紜。有人認為情感分析堪比打開人類市場研究新世界大門的鑰匙，而另一些人則認為，這項技術只是騙人的萬靈油，甚至與占卜無異。那么，究竟誰是對的呢？
相較而言，我（筆者）更傾向于站在前者的陣營中。基于文本分析，自動情感分析技術為基于李克特量表的傳統(tǒng)分析方法（Likert-reliant methodologies）注入了新的動力，使得研究人員能通過社群傾聽技術實時掌控客戶反饋的傾向變化，并由此實現(xiàn)了對客戶心聲的深入挖掘。
對于后者的陣營，我認為他們對情感分析產(chǎn)生質(zhì)疑的原因可能來自于對這種分析方法實現(xiàn)能力與局限性的認識扭曲。這樣的認識扭曲也許是由于某些能力不足的解決方案供應商造成的，不過不管它們究竟來自何方，我都會傾力而為去揭穿它們，還原一個有真正實際意義的情感分析技術。
我們目標是鼓勵適當?shù)氖褂们楦蟹治黾夹g并防止濫用。為了做到這點，對市場教育的呼喚十分重要，我通過會議的形式做了很多這樣的事，在今年7月15號到16號的紐約情感分析研討會上，我特地點明了這樣十一件情感分析研究者必須知道的事：
1）在情感分析中，通過直接匹配詞典來查找詞匯是一種簡單明了的方法，也但略顯粗俗。詞的意思往往會根據(jù)句式、語境以及上下文之間的關聯(lián)而發(fā)生變化，進行情感分析時我們需要將語言學與統(tǒng)計學的方法都應用到其中。
2）文檔層面的情感分析或許正在面臨過時。我們情感分析的目標應該關注于實體（entity）、概念（concept）以及主題（topic）的層面。（例如，一部iPhone6是一個實體，iPhone是一個概念范疇，而智能手機則是它所屬的主題）
3）“情感”的一般語言定義包括態(tài)度（attitude）、意見（opinion）、感覺（feelings）和情緒（emotion）。最先進的情感分析技術可以讓你超越正負面傾向得分的局限，根據(jù)情緒——如快樂、驚訝、恐懼、厭惡、憤怒、悲傷等對文本情感進行評價，而不是僅僅是一個表達程度的分數(shù)。
4）請將眼界放寬：情感分析是情感計算（Affective computing）大家族的一份子，這個家族涉及到了所有與人類情感相關、來自人類情感或是對人類情感產(chǎn)生影響的現(xiàn)象計算研究。情感分析與家族中的其他伙伴皆有所聯(lián)系，但在技術和方法上有著較為明顯的區(qū)別。
5）并非所有的情感都是平等的。不論是情感的傾向還是強度，我們都需要努力去理解。同時，研究情感如何轉(zhuǎn)化為行動也具有同樣重要的意義。
6）不論你是否在項目中使用了語言工程、統(tǒng)計模型與機器學習方法，在很多情況下，也許針對特定領域訓練合適的模型，才是模型優(yōu)化的關鍵。
7）必須注意那些有關于準確率的說法。對于模型的準確性，這世界上不存在絕對的衡量標準，因此在度量模型的準確性時，我們總會遇到各種各樣的麻煩。正因如此，有的解決方案供應商們甚至可能在提出分析模型之后對模型準確性的測量過程避而不談。一種公認可行的準確度測量方法是將模型結(jié)果與一份經(jīng)過完全精準的人工注釋／分類的語料進行對比，這也意味著我們需要讓人工和機器同時去進行一項龐大的語料分析工作，再進行二者匹配程度的計算。但是當你真的去嘗試這樣的做法時，所謂人工一方作出的判斷究竟是對是錯，同樣也很難說明清楚。與此同時，面向不同層面的文本分析軟件之間也很難進行準確度的對比，例如有些軟件只做了文檔層面的分析，而另一些則能夠?qū)嶓w和概念進行了解析，我們能說在實體層面具有70%準確率的軟件就優(yōu)于在文檔層面具有97%準確率的軟件嗎？
8）文本是最常見的情感數(shù)據(jù)來源，但它并不是唯一的一個。針對視頻的面部編碼技術，針對音頻流的語音分析，都可以用于檢測人類的情緒反應，而這些也都是更先進的情感狀態(tài)評估方法。而有關人類情感分析下一個前沿領域也有可能是：神經(jīng)科學、可穿戴儀器開發(fā)和生理學的其他研究手段。