排序衡量的是情绪主导性而非极性
论文的核心对象是一个表情符号—情绪排序系统。对于每个表情符号，作者聚合该表情符号所出现消息的加权情绪得分，得到表情符号—情绪关联分布。排序随后按相对情绪主导性排列表情符号——即五种检测情绪（Happy、Angry、Sad、Fear、Surprise）中哪一种在该表情符号的观察语境中占主导。
这与情感词典得分是两种不同的测量。词典给表情符号赋予一个极性值，例如正面或负面。这里的排序给出的是五种情绪上的分布，并报告哪一种领先。读者在将这项工作与基于极性的表情符号词典比较时，不应把两种输出视为可互换：一个是单一效价标签，另一个是带主导倾向的多情绪画像。
仅含回复的10万条带表情推文语料
数据集通过自动化搜索流程构建。对于每个目标表情符号，在选定时间区间内发出专门的Twitter（X）搜索查询，并用过滤器将结果限制为英文回复，排除包含链接的帖子。这些过滤器的既定目的是让语料聚焦于简短、对话式、含表情符号的回复。
最终语料包含2020年1月1日至2025年11月1日期间收集的10万条含表情符号的回复，涵盖1,393个不同表情符号。两个范围条件直接来自这一设计，应随任何结果一同理解：数据是英文的，且是回复而非独立帖子。作者在局限性中指出，仅限英文这一限制削弱了跨文化推广能力。
每条消息转化为五个加权情绪得分
经过预处理和文本清洗后，作者应用文本到情绪分类，为每条消息检测五种主要情绪：Happy、Angry、Sad、Fear、Surprise。每条消息的输出是一组加权情绪得分，而不是单一硬标签。
聚合发生在表情符号层面。某个表情符号出现的每个语境都会贡献其消息级情绪得分，这些得分被汇总以估计该表情符号的情绪关联分布。这就是论文将这些画像描述为概率性的原因：分析单位是跨语境的分布，而不是人为赋予表情符号本身的含义。
第二种视角将表情符号放入效价—唤醒空间
除离散排序外，作者还将表情符号投影到Russell效价—唤醒空间，以实现连续的情感解读。这是与五情绪排序不同的表示：排序报告Happy、Angry、Sad、Fear、Surprise之间的相对主导性，而Russell投影将表情符号定位在连续情感维度上。
论文将这一投影作为分析和可视化手段提出。读者应保持两种输出彼此区分——排序中的主导情绪与效价—唤醒空间中的坐标，对同一个表情符号回答的是不同问题，论文并未将其中一种视为另一种的替代。
静态极性标签忽略语境变化
论文将自己的贡献定位于现有方法之外，后者把表情符号视为静态情感标记，赋予固定极性标签或假定稳定的情绪含义。作者认为，这类简化忽略了表情符号使用的语境变化，并可能在非正式、以年轻人为主的数字话语中误读情感意图。
报告的结果是，表情符号表现出多维、概率性的情绪特征，而不是固定情感极性；构建的排序数据集揭示了高频使用表情符号具有清晰的主导情绪倾向。注意这一对论断的不对称：多维、概率性特征是针对表情符号整体陈述的，而清晰的主导倾向是专门针对高频使用表情符号报告的，因为这类表情符号有更多语境可供聚合。
高频表情符号的主导倾向最清晰
由于排序通过汇总语境构建，一个表情符号的画像取决于它出现的语境数量。论文报告高频使用表情符号具有清晰的主导情绪倾向；它并未声称语料中1,393个不同表情符号的长尾部分也有同样稳定的画像。
这是读者应带走的一个实际阈值。当用排序比较表情符号时，对语境计数较多的表情符号，比较最有支持。对于很少出现的表情符号，聚合分布依赖的消息更少，而论文自身的框架——概率性画像而非固定含义——适用时稳定性更低。
英文Twitter回复界定了结论边界
该框架整合了数据集构建、表情符号—情绪排序以及到Russell效价—唤醒空间的投影，并在10万条回复的英文Twitter语料上进行了评估。作者指出，数据集仅限于英文Twitter回复，这限制了跨文化推广。
他们还指出情绪检测是基于词典的，并计划与其他情绪标注方法进行广泛验证和比较。这对如何解读排序很重要：输入聚合的情绪得分来自一种标注方法，论文将更广泛的验证定位为未来工作，而非已完成的检验。论文提到的未来方向包括多语言数据集、多个社交媒体网络以及表情符号使用的时间动态。
按画像比较表情符号，而非单一标签
这篇论文提出的最具决策相关性的转变在于比较什么。如果表情符号携带概率性、随语境变化的画像，那么用单一极性排序它们就丢弃了论文视为真正信号的分布。五情绪排序和效价—唤醒投影是作者为这种更丰富比较提供的两种视角。
因此，读者的优先事项是检查哪种输出回答了手头的问题：某个表情符号在Happy、Angry、Sad、Fear、Surprise之间的相对主导性，还是它在连续情感空间中的位置。而且，由于报告的主导倾向清晰度与英文回复语料中的高频使用表情符号相关，语境计数高时比较最强，计数不高时应视为暂定。
本文引用的文献
Emoji–Emotion Ranking System Using Twitter Data
Emojis exhibit probabilistic, context-sensitive emotional profiles rather than fixed sentiment polarities, with clear dominant emotional tendencies reported for frequently used emojis.