[論文レビュー] Automatic Sarcasm Detection: A Survey

Aditya Joshi, Pushpak Bhattacharyya+1 more|arXiv (Cornell University)|Feb 10, 2016

Identification and Quantification in Food参考文献 42被引用数 109

ひとこと要約

この調査は、問題定義、データセット、アプローチ（ルールベース、統計、深層学習）、傾向（パターン発見と文脈利用）、および未解決事項をカバーする自動皮肉検出に関する過去の研究をまとめた。

ABSTRACT

Automatic sarcasm detection is the task of predicting sarcasm in text. This is a crucial step to sentiment analysis, considering prevalence and challenges of sarcasm in sentiment-bearing text. Beginning with an approach that used speech-based features, sarcasm detection has witnessed great interest from the sentiment analysis community. This paper is the first known compilation of past work in automatic sarcasm detection. We observe three milestones in the research so far: semi-supervised pattern extraction to identify implicit sentiment, use of hashtag-based supervision, and use of context beyond target text. In this paper, we describe datasets, approaches, trends and issues in sarcasm detection. We also discuss representative performance values, shared tasks and pointers to future work, as given in prior works. In terms of resources that could be useful for understanding state-of-the-art, the survey presents several useful illustrations - most prominently, a table that summarizes past papers along different dimensions such as features, annotation techniques, data forms, etc.

研究の動機と目的

• 自動的な皮肉検出研究の目的と動機の要約。
• 皮肉検出で用いられるデータセット、問題設定、およびアノテーション手法の整理。
• 方法論的アプローチ（ルールベース、統計、深層学習）とその特徴の検討。
• 主要な傾向（パターン発見、ハッシュタグ監視、文脈の取り込み）と現れつつある課題の特定。
• 最先端の皮肉検出研究の今後の方向性とリソースに関する指針の提供。

提案手法

• データセットからアプローチまで、皮肉検出研究の総合的な文献調査を実施する。
• アプローチをルールベース、統計、および深層学習ベースのカテゴリに分類する。
• 皮肉指標のパターン発見技術と、それを特徴量やルールとしての利用について論じる。
• ターゲットテキストを超える文脈情報（著者、会話、話題的文脈）の役割を検討する。
• 特徴量、アノテーション、データ形式などの次元を横断する過去論文を統合した表を用いて資源を示す。
• 報告されている性能と共通タスクを要約し、最先端の位置づけを示す。

実験結果

リサーチクエスチョン

• RQ1 皮肉検出に用いられたデータセットは何か（短文、長文、その他）ですか。ラベル付けはどのように行われていますか？
• RQ2 データ形態を問わず、どの特徴量と学習アルゴリズムが皮肉検出に効果的であることが示されていますか？
• RQ3 ターゲットテキストを超える文脈情報がどのように取り込まれており、それがどのような影響を及ぼしていますか？
• RQ4 データラベリングやアノテーションの信頼性を含む、皮肉検出で浮上した傾向と課題は何ですか？
• RQ5 存在する共通タスクは何で、それは分野の現状を何により示していますか？

主な発見

• ツイートが皮肉検出の主要なデータ形態であり、長文や他のデータセットも探索されている。
• ハッシュタグベースの監視（監修）が皮肉の内容にラベル付けされるのに広く用いられてきたが、品質の懸念があり、データセット間での検証が一般的である。
• ターゲットテキストを超える文脈、例えば著者の履歴、会話の文脈、話題文脈などが主要な傾向として浮上している。
• 初期の研究は、ルールベースから監視・半監視法へと移行し、パターン発見を核心技術として位置づけていることを示す。最近の研究は文脈情報を強調している。
• 単語出現（ユニグラム）、感情語彙、パターン、意味的関連性、さらには視線追跡から得られる特徴など、さまざまな特徴と分類器（SVM、ナイブベイズ、ロジスティック回帰、シーケンスモデル）が検討され、データとタスクによって性能は異なる。
• 深層学習アプローチが出現し始めており、語彙ベクトル、ユーザー埋め込み、ハイブリッドアーキテクチャを活用している。