智慧化考虑运用数据、信息、知识及反馈机制提升微表情识别准确度
一、什么是微表情
微表情是一种快速呈现的表情，一般认为其持续时间在 1/25 秒~1/5 秒之间，也有学者认为其持续时间在 1/2秒以内，反映了人们压抑的真实情绪。当前微表情识别技术广泛应用在银行业务领域，例如反欺诈等助力金融服务智慧化。例如平安银行微表情识别技术能够远程抓取客户微小表情变化，识别贷款欺诈风险，全面提升了风控水平
然而，人们忽略了微表情其实是一个心理学名词，是一种人类在试图隐藏某种情感时无意识做出的、短暂的面部表情。对应着七种世界通用的情感：厌恶、愤怒、恐惧、悲伤、快乐、惊讶和轻蔑。微表情总会不知不觉地暴露自己的内在想法，从市让谎言有迹可循，这也是人类共有的一种特征。我们可以通过对方的微表情，加以分析，判断其当下的心理状态。
二、微表情与情绪或者情感之间的关联性需要更多研究支持
有研究表明压抑体验到的情绪(情绪欺骗)必定伴随有微表情 (Porter, tenBrinke, & Wallace)，但己有研究结果并不一致，Ekman (2009)发现在撒谎的被试中，只有大约一半的人出现微表情，也即并不是所有压抑情绪的人(（欺骗者)都有微表情。因此，微表情和情绪之间的必然性在科学依据上尚未有定论，因此将微表情识别应用在发欺诈、基于情绪的产品推荐等等场景时，其客户真实意图的洞察，往往不那么准确。虽然有一些识别方法，给出了数据来阐明他们的方法准确度超过了 99%，那么它的评价机制是否科学我觉得值得商榷。
因此对微表情在欺骗检测中的应用，有两种完全相反的意见，一种观点认为利用微表情进行欺骗检测是有效的(Frank et al., 2009; Frank &Svetieva)：另一种认为根据实验室结果和政府相关报告，微表情尚不能作为欺骗检测的有效线索 (USGovernment Accountability Office(GAO))
然而，将微表情识别技术应用到欺诈检测中是可行的，而且有价值的。因为至少某些研究表明了一定程度上的微表情与兴趣上的关联性。
三、那么如何提升微表情识别的准确度呢？
1、在数据处理层面（Data）
当前很多的思路集中在优化机器学习算法，在视频及图像处理上下功夫，使用更多的计算资源，以及更加优化的图像处理算法，来提升整体识别的智能程度。
识别准确度 = 识别算法（微表情输入）
2、在信息层面（Information）
不少方法通过引入微表情之外的信息，例如声纹，交互行为来降低识别结果的信息熵。
识别准确度 = 识别算法（微表情输入） + 额外信息（其他模式输入）
3、在知识分析层面（Knowledge）
甚至有些方法融合了知识推理，在数据、信息掌握和处理不全面、丢失等情况下，通过知识推理来补全知识，得到想要的准确识别结果。综合来看，大部分方法集中在了数据处理优化层面，只有少数方法去融合信息和知识。
识别准确度 = 知识推理算法（识别算法（微表情输入） + 额外信息（其他模式输入））
4、在智慧层面考虑（Wisdom）
然而，更致命的可能是，对于识别结果的评价机制尚不够科学，或者更进一步的，没有通过引入科学的评价机制自动化反馈并提升识别结果，就无法证明识别结果的适应与否。
别准确度 = 反馈网络 * 知识推理算法（识别算法（微表情输入） + 额外信息（其他模式输入））
四、更加智慧的思路
更加智慧的思路其实就是在识别方法的结果上增加更加科学的、客户驱动的评价机制，直接反映识别的结果的正确性或者有效性。再通过客户驱动的评价反向调整识别算法的识别参数。
识别准确度=调整系数 * 初始识别准确度
调整系数 = k * 反馈网络