Emoji 铺天盖地的流行当然引起了计算语言和 NLP 届的关注。最常见的分析就是把Emoji 当作单词一样来分析，采用概率语言模型、深度学习模型的低维实向量话来分析 Emoji 语义之间的关系，比如在下图的向量可视化中（），含义相似的 Emoji 聚集在一起。面部表情大都聚集在下方，国旗聚集在左上角。把含有 Emoji 的语句用循环神经网络（RNN）表示出来使得我们可以根据新的语句在预测合适的 Emoji。这个 Emoji 推荐 app 使用的就是就是这个技术：。

用循环神经网来为含有表情符号的语句建模虽然可以预测表情符号的出现，但是这并不能使机器理解我们所表达的含义。从语言中分析情感一直是自然语言理解（Natural Language Understanding）的一个重要课题。传统的做法是为每一个语言建立情感词库，然后根据情感词的词频来预测语用者的情感。比如，当我们在一句话中找到“开心” 这个词的时候，我们可以有一些信心推测这句话表达了正面的感情。这种通过情感词语分析情感的做法意味着每个语言需要有自己的情感语言词库。可是，表情符号常常是居于面部表情的。如果全世界的人都使用表情符号来表达情感，我们岂不是可以跨国语言障碍，通过分析表情符号直接理解情感？可能吗？

没有那么简单。有很多自然语言处理对 Emoji 的研究建立在这样一个假设上：Emoji 和语言之间没有语义交互。我们可以通过把 Emoji 看作是一种情感标注（例如 Davidovet al. 2010; Ganster et al. 2012）或者是当作情感分析的一个特征（例如 Zhao et al. 2012。这些研究发现，虽然加入 Emoji 可以改善情感分析的精确度，但是正确率还是较低，正面 Emoji 对情感的预测尤其低。为什么？因为表情符号和语言是有语义上的交互的。同样的语句配上不同的表情符号可以有不同的理解。比如，下面这个句子，在（1）中的理解是一个请求，说话人的情绪是中性或者偏负面，而（2）表达的是说话人觉得对方做的事很好笑，表达了正面的情绪。

　　1. 你能不能不要这样子？??

　　2. 你能不能不要这样子？?? ?? ?? ?? ??

很多时候我们不是用表情符号来直接表达情感，而是用它们来表示礼貌，或者用来标注幽默，反义和讽刺的态度。比如，我们会在请求的时候加上笑脸，但是笑脸并不表达我们很开心， 比如（3）。我们可能在表达负面情绪的时候用正面的 Emoji，不如（4）。

　　3. 你要是去超市能不能帮我带一瓶可乐？谢谢啦！

　　4. 今天听了川普的演讲，我崩溃了。?? ?? ??

为了调查说话人总体情感和 Emoji 感情极性的关系，我分析了脸书（Facebook）中用户的“反应”（Reaction）和他们在评论中表情符号的使用。在微信朋友圈中我们可以给某个状态点赞，但是点赞并不能让我们知道读者对这条状态具体的情感反义。而在脸书中，用户可以对某一条状态或新闻给一个宏观的情感的反应（Reaction)），有六种选择：点赞，热爱，哈哈，哇，伤心，愤怒（图8）。

　　Figure 8 Facebook 脸书中六种反应（Reaction）

如果这个情感反应体现了读者宏观的情感，我们可以看看在不同的情感下大家会用什么表情符号。我收集了五千八百万个反应，用 K-means 算法集群，发现大家的反应主要有四类（图9），第一类中，绝大多数的反应是点赞；第二类有不少点赞，但是也有不少哈哈和不少愤怒；第三类以愤怒为主，第四类以伤心为主。在这四种不同的反应中表情符号的分布是不是不同呢？确实（图10）。在第一第二类反应中，最常见的表情符号大都是正面（除了第二类中反应中常见的惊恐 Emoji）。在第四类伤心的情感反应中，常见的表情符号都是负面的。有意思的是，在第三类以愤怒为主的反应中，前五个常见表情符中有三个是正面的：大拇指，鼓掌和眨眼笑。这说明当我们在伤心的时候很少使用正面的表情符（来讽刺或者表达反义），但当我们生气地时候却经常使用反讽的表情符。这个结果也印证了我们的观点：表情符并不简单的表达情感。它们和语言有着复杂的语义交互。要想使机器真正理解我们用表情符号表达的含义，我们必须能够自动准确的分析表情符和语言之间的交互。这是目前 Emoji 带给自然语言理解的挑战。

　　Figure 9 脸书“反应”（Reactions）集群

　　Figure 10 脸书不同情感反应中不同的表情符号分布

　　Emoji 的未来