情感推荐系统综述：面向个性化的态度、情绪与情境建模

摘要— 情感推荐系统是一类新兴的智能系统，旨在通过与用户的情感状态对齐来增强个性化推荐。随着研究兴趣的不断增长，该领域已出现了若干综述，但它们缺乏一个以心理学为基础的系统分类方法，而且往往仅研究特定类型的情感状态或特定应用领域。本综述通过在不同领域内对情感推荐系统进行全面而系统的回顾，弥补了上述不足。借鉴 Scherer 对情感状态的分类学，我们提出了一个分类框架，将系统划分为四大类：态度感知型（attitude aware）、情绪感知型（emotion aware）、心境感知型（mood aware）以及混合型（hybrid）。此外，我们还总结了情感信号提取技术、系统架构与应用领域，并重点分析了关键趋势、局限性及开放性挑战。作为未来研究方向，我们强调了多模态融合多种情感状态的混合模型、大规模情感感知数据集的构建，以及用更为精准的、基于认知与社会心理学的术语来取代现有的“民间化”情感词汇的必要性。通过对现有研究与挑战的系统性梳理，本综述旨在为学术研究与产业应用中的情感驱动个性化提供全面参考与有益指导。 关键词— 文献综述，情感推荐系统，情感状态，情绪感知推荐

1 引言与研究动机

理解人类情绪及其对行为的影响，长期以来一直是心理学研究的核心议题。早在 19 世纪末，Wundt [230] 就在心理学研究中提出了“情感（affect）”这一术语，用来描述愉快或不愉快的主观体验。自那以后，情感的概念逐渐发展，涵盖了更广泛的情绪与心理状态，包括情绪（短期）、心境（较长时间持续）以及态度（相对稳定），它们分别以独特的方式影响人类行为 [52, 187]。认识到情感在人类行为中的重要作用，心理学和行为科学的研究者广泛探讨了其对人类动机、决策和社会交往的影响。1999 年，Picard [162] 提出：通过识别和响应人类情绪，机器不仅能够让人机交互更加具备共情能力，还能使系统自然地适应用户、改善交流，并更好地处理如挫折、困惑、兴趣和偏好等情感信息。对情感在人类行为中作用的不断加深理解，为情感计算（affective computing）这一领域奠定了基础 [35, 163]，并推动其发展为一个应用广泛的跨学科领域，涵盖医疗、游戏、教育等场景。情感计算最具前景的应用之一就是推荐系统（Recommender Systems, RS）。通过理解并将用户的情感状态纳入推荐算法，推荐系统能够显著提升用户满意度。传统推荐系统主要依赖用户的显式偏好（如评分、兴趣陈述）与行为历史（如点击、浏览模式）。相比之下，情感推荐系统（affective RS）更进一步，将用户的情绪与心理状态（以下简称“情感状态”）引入推荐过程。通过整合情感信号，推荐系统能够动态调整推荐内容，使其与用户当前的心境、情绪状态或长期倾向保持一致，从而带来更具沉浸感与满意度的用户体验 [204]。例如，用户的心境可能直接影响其内容选择：在压力较大的日子里，他们可能更偏好舒缓的音乐；而在寻求提振时，可能会选择欢快的电影。同样，孤独感的个体可能会主动寻找情感共鸣的书籍或支持性的网络社区，以改善其情感状态。在多个推荐场景中引入情感状态信息已经显示出巨大潜力。例如，在音乐与视频流媒体平台中，情感推荐系统可以根据用户心境调整内容推荐，从而增强推荐的情感契合度 [93]。在教育领域，Santos 等 [182] 研究了如何检测学生的情感状态（如无聊或投入），并相应地调整教育内容。他们的研究表明，识别并响应学生的情绪不仅能提升学习体验，还能改善学习效果。Mizgajski 与 Morzy [138] 探讨了情绪如何影响用户的在线新闻阅读选择，强调了情感状态在内容消费中的作用。尽管该研究聚焦于新闻，但其发现同样适用于电子商务：将产品推荐与用户情绪或情感相匹配能够提升参与度、满意度，并可能增加购买意向 [159]。然而，将用户的情感状态引入推荐系统并非易事。例如，情绪与心境具有动态性、情境依赖性，并且因用户而异，这给实时、可靠的情感状态检测与响应带来了挑战 [185]。尽管如此，情感推荐系统仍因其通过细致理解用户情绪状态与偏好而显著提升推荐效果的潜力，而日益受到关注。伴随着在推荐系统中利用用户偏好与情绪的重要性不断提升，关于情感推荐系统的研究发表数量近年来显著增加。这种快速增长的兴趣呼唤一份全面的综述，以帮助研究人员与实践者更好地理解其优势、局限性与适用场景。

1.1 本综述与现有综述的差异

已有多项综述分别聚焦于情感推荐系统的子领域，通常侧重于某类特定的情感状态或特定应用场景。总体而言，这些综述存在范围狭窄、缺乏心理学情绪理论支持的系统性分类方法等不足。此外，受限于发表时间，先前综述未能涵盖情感推荐系统的最新进展。例如，Katarya 与 Verma [94] 对推荐系统中的情感进展进行了广泛综述，但未提出结构化的情感分类体系，也未区分情感状态中显著不同的类型（如情感倾向、情绪和心境）[186]。他们的研究同样忽略了偶然性导向（serendipity-oriented）的推荐系统，尽管偶然性通过“惊喜”成分体现出一种复杂的情感状态，对用户满意度具有重要影响。部分情感推荐综述范围更为狭窄，仅关注于某个应用领域。例如，Wang 与 Zhao [216] 聚焦视频应用；Salazar 等 [179] 探讨教育中的情感自适应；Piçarra 等 [164] 聚焦基于情绪的电影导航；Santamaria-Granados 等 [180] 回顾了旅游中的情绪识别技术。与 Katarya 与 Verma [94] 类似，这些研究缺乏结构化的情感分类体系，也未涵盖偶然性导向推荐。此外，它们中的一些忽视了长期情感状态（如心境），而后者在维持用户持续参与中发挥着关键作用。还有一些综述仅聚焦于单一情感状态类型。例如，AlGhuribi 与 Noah [9] 专注于情感分析技术，并根据词典方法与机器学习方法进行分类。在情境驱动的音乐推荐中，Kaminskas 与 Ricci [93] 仅考虑了情绪感知型推荐系统。另一些综述则专门探讨了推荐系统中的偶然性，例如 Kotkov 等 [104] 以及 Ziarani 与 Ravanmehr [256]，他们考察了实现意外性与相关性的技术，并按促进偶然性、多样性和新颖性的方法进行分类。Fu 等 [56] 与 Kaminskas 和 Bridge [92] 则考察了深度学习技术与超越准确性的目标在偶然性推荐中的作用，并按技术方法与超准确性指标对研究进行分类。尽管这些综述做出了重要贡献，但它们仍然是碎片化的、范围有限的，往往仅关注某类情感状态或特定应用场景。据我们所知，尚无综述全面覆盖所有情感状态，并基于心理学划分为情绪、心境与态度等类型。表 1 对现有综述进行了比较分析，评估其是否提供了结构化的情感分类、是否全面覆盖各类情感状态，以及是否考虑多样化的应用场景。如表 1 所示，现有综述在情感状态类型覆盖或应用范围上均存在局限性。本文旨在弥补这些不足，提出一个结构化的分类体系，将情感推荐系统在多个应用领域进行整理，并提供一个整体视角来理解情感信号在个性化推荐中的作用。

1.2 文献检索方法

为开展对情感推荐系统的全面综述，我们首先系统性地收集了 2015 至 2025 年间发表的相关文献。我们的检索方法确保纳入高质量、相关性强的研究，涵盖情感倾向（sentiment）、情绪（emotion）与心境（mood）等多类情感状态，以及推荐系统中的所有应用场景。初始检索覆盖了主要学术数据库，包括 SpringerLink、IEEE Xplore、ACM Digital Library、ScienceDirect、Web of Science 和 Wiley。检索式使用布尔算符构造，以捕获探讨推荐系统情感维度的研究，具体为：```

    (recommend OR recommender OR recommendations OR recommendation) AND

(sentiment OR unexpectedness OR unexpected OR emotion OR emotional OR affective OR mood OR empathetic OR emotions OR surprise OR surprising OR serendipity OR serendipitous OR psychology)


除了期刊论文，我们还纳入了在推荐系统及相关领域发表高影响研究的同行评审会议，如 RecSys、SIGIR、CIKM、AAAI、NeurIPS、WWW、WSDM、KDD、UMAP、EMNLP、ACL、NAACL 与 ICML。
初始检索共得到约 1500 篇论文。我们去除了数据库间的重复记录，并通过标题与摘要筛查其与本研究的相关性。筛选因素包括研究主题、贡献相关性与发表会议/期刊的重要性。经过初步筛选后，保留了 172 篇论文。随后，我们通过“滚雪球采样”（snowball sampling）从这些论文的引文中补充了 35 篇超出原定时间范围的高相关研究，依据其相关性、被引影响力以及发表渠道的重要性进行选择。最终形成了 207 篇论文的核心文献库，涵盖情感倾向、情绪、心境与偶然性感知推荐系统的广泛主题。
***


### 1.3 本综述的贡献

本文的主要目标是对情感推荐系统进行全面回顾，涵盖不同类型的情感状态（包括情感倾向、情绪和心境）及其在多样化应用场景中的作用。其主要贡献如下：
* 
提出了一种基于 Scherer 情感状态分类学 [187] 的全新情感推荐系统分类框架，并根据其所针对的情感状态类型对相关研究进行归类（第 2 节）。
* 
系统性回顾了态度（第 4 节）、情绪（第 5 节）、心境（第 6 节）与混合情感状态（第 7 节）在不同应用场景（第 8 节）中如何被建模、检测并整合到推荐策略（第 3 节）中的研究进展。
* 
探讨了情感推荐系统中的现有挑战与研究空白，并提出未来研究方向，尤其鼓励开发面向更广泛情感状态的数据集与推荐模型（第 9 节）。


![](https://cdn.zhuanzhi.ai/vfiles/fd3ec172e2ad5692a3ee69b2869656bc)

成为VIP会员查看完整内容