[論文レビュー] Attentive Interaction Model: Modeling Changes in View in Argumentation

Yohan Jo, Shivani Poddar+4 more|arXiv (Cornell University)|Mar 30, 2018

Topic Modeling参考文献 23被引用数 5

ひとこと要約

本論文は、意見表明者の推論における脆弱な領域を共同でモデル化し、挑戦者の主張とその相互作用を分析することで、挑戦者の主張が意見表明者の見解を変えるかどうかを予測する神経ネットワークアーキテクチャ「アテンション相互作用モデル（AIM）」を提案する。本モデルは、注目メカニズムを用いて推論の変更しやすい部分を特定し、的を射た相互作用を符号化することで、ベースラインを上回る性能を発揮する。後向き分析の結果、成功した主張は、こうした脆弱な領域に頻繁に言及していることが示された。

ABSTRACT

We present a neural architecture for modeling argumentative dialogue that explicitly models the interplay between an Opinion Holder's (OH's) reasoning and a challenger's argument, with the goal of predicting if the argument successfully changes the OH's view. The model has two components: (1) vulnerable region detection, an attention model that identifies parts of the OH's reasoning that are amenable to change, and (2) interaction encoding, which identifies the relationship between the content of the OH's reasoning and that of the challenger's argument. Based on evaluation on discussions from the Change My View forum on Reddit, the two components work together to predict an OH's change in view, outperforming several baselines. A posthoc analysis suggests that sentences picked out by the attention model are addressed more frequently by successful arguments than by unsuccessful ones.

研究の動機と目的

• 意見表明者の推論と挑戦者の主張の間の動的相互作用を捉える形で、議論的対話をモデル化すること。
• 挑戦者の主張が意見表明者の見解を成功裏に変えるかどうかを、二値のスタンス分類を越えて予測すること。
• 意見表明者の推論のどの部分が最も変更されやすいか（脆弱な領域）を特定し、挑戦者の主張との相互作用がその変化にどのように影響するかを特定すること。
• 意見の変化を促すのに特に効果的な相互作用の種類（たとえば、賛同、反論、欠落した前提の提示）を理解すること。

提案手法

• 本モデルは二段階のアーキテクチャを採用する：アテンションメカニズムを用いた脆弱な領域検出により、意見表明者の推論文のうち変更されやすい文を特定する。
• 相互作用符号化は、意見表明者の推論の各文と挑戦者の主張の各文との間の意味的関係を捉え、相互作用埋め込みを生成する。
• 脆弱性スコアから得た重みを用いて、相互作用埋め込みを重み付けし、特に脆弱な推論部分との相互作用を強調する。
• 最終的な予測は、重み付けされた相互作用表現の上に分類器を適用することで行い、見解の変化をエンドツーエンドで学習可能にする。
• 本モデルは、Change My View（CMV）のRedditフォーラムから得た実世界の議論データ上で訓練および評価されている。
• 後向き分析では、アテンション重みと相互作用埋め込みを用いてモデルの挙動を解釈し、議論理論と照らし合わせた分析を実施している。

実験結果

リサーチクエスチョン

• RQ1 RQ1: 脆弱な領域検出と相互作用符号化のアーキテクチャは、ベースラインと比較して見解の変化予測性能を向上させるか？
• RQ2 RQ2: 本モデルは、見解を変える可能性が高い意見表明者の推論文のうち、脆弱な文を特定できるか？
• RQ3 RQ3: 意見表明者の推論と挑戦者の主張との間で、本モデルが捉えている相互作用の種類は何か？
• RQ4 RQ4: 人称代名詞、丁寧さの表現、疑問文といった言語的特徴は、見解の変化にどのように関連しているか？

主な発見

• アテンション相互作用モデルは、複数の強力なベースラインを著しく上回り、挑戦者の主張が意見表明者の見解を変えるかどうかを予測する性能に優れている。
• アテンションメカニズムによって特定された脆弱な文は、成功した挑戦者によって失敗した挑戦者よりも頻繁に言及されており、本モデルが変更されやすい推論を正しく検出できていることが裏付けられた。
• 相互作用埋め込みは、意味的な議論パターンを的確に捉えており、挑戦者が質問を投げかける（上位ペアの22％）、欠落した情報を指摘する（上位ペアの23％）といったパターンを反映している。
• 本モデルは、明示的に示唆されていなくても、欠落した前提を提示するような微細な相互作用パターンを捉えている。トピックの新規性と相互作用埋め込み次元との間に、わずかではあるが有意な相関（r = -0.04）が観察された。
• 言語的分析の結果、第一人称代名詞（例：'I', 'me'）は見解の変化と正の相関が見られた一方、第二人称代名詞（例：'you', 'you_are'）や疑問形（例：'why', 'do_you'）は負の相関が見られた。
• 本モデルのアテンションメカニズムは、説得的な主張が標的にする可能性の高い推論セグメントを的確に強調しており、解釈可能で行動に影響を与える表現を学習していることが示唆された。