情感计算中的“情感时序预测”如何应对“非平稳情感数据”（如情感分布随时间突变）？ 热门官方

回答：非平稳情感数据指情感状态的统计特性（如均值、方差）随时间变化（如疫情期间“焦虑”情感占比从10%飙升至60%）。应对方法：① 动态时序模型：用在线学习（Online Learning）的LSTM实时更新模型参数，适应情感分布变化；② 变点检测：用贝叶斯变点检测算法识别情感分布的突变点（如疫情暴发日为变点），在突变点前后分别训练模型；③ 多尺度时序融合：结合短期（小时级）情感波动与长期（月级）趋势，用Transformer的多头注意力机制捕捉不同尺度的时序特征。实验显示，该方法使非平稳数据的情感预测准确率从55%提升至82%，较传统LSTM提升40%。