[論文レビュー] Convolutional Neural Network for Humor Recognition.

Lei Chen, Chongmin Lee|arXiv (Cornell University)|Feb 8, 2017

Humor Studies and Applications被引用数 19

ひとこと要約

本論文では、新たに作成されたオープンで多様なTEDトークコーパスを用いて、音声発話における自動的なユーモア認識のための畳み込みニューラルネットワーク（CNN）ベースの手法を提案する。CNNは、従来の言語的特徴に基づく手法よりも高い正確性を達成し、生のテキストから関連するユーモアの手がかりを自動で学習する。

ABSTRACT

For the purpose of automatically evaluating speakers' humor usage, we build a presentation corpus containing humorous utterances based on TED talks. Compared to previous data resources supporting humor recognition research, ours has several advantages, including (a) both positive and negative instances coming from a homogeneous data set, (b) containing a large number of speakers, and (c) being open. Focusing on using lexical cues for humor recognition, we systematically compare a newly emerging text classification method based on Convolutional Neural Networks (CNNs) with a well-established conventional method using linguistic knowledge. The CNN method shows its advantages on both higher recognition accuracies and being able to learn essential features automatically.

研究の動機と目的

• スピーキングプレゼンテーションにおけるユーモア使用の自動評価手法の開発を目的とする。
• 既存の研究において不足しているバランスの取れた、多様性に富み、オープンソースのユーモアデータセットの欠如を是正することを目的とする。
• ディープラーニング（CNN）と従来の言語的特徴に基づくアプローチを比較し、ユーモア認識の性能を検証することを目的とする。
• CNNが手動での特徴工学を経ずに、テキストから有効なユーモア特徴を直接学習できるかどうかを調査することを目的とする。

提案手法

• 著者らは、多数のスピーカーからなるTEDトークから、ユーモラスおよび非ユーモラスな発話を含む、新たな発表コーパスを構築した。
• コーパスは、均一性があり、バランスが取れており、公開可能であるように設計されており、再現可能な研究を支援する。
• 生のテキストシーケンスを入力として用い、単語埋め込みを用いて、発話をユーモラスまたは非ユーモラスに分類するためのCNNモデルを訓練した。
• CNNは、入力文全体にわたる局所的なn-gramパターンを捉えるために、複数のフィルターサイズを採用した。
• 特徴マップに対してマックスプーリングを適用し、最も顕著な表現を抽出した。
• CNNの性能は、語彙的および構文的ヒントなどの手動で設計された言語的特徴に依存する従来の手法と比較された。

実験結果

リサーチクエスチョン

• RQ1 CNNベースのモデルは、従来の言語的特徴に基づく手法よりも高いユーモア認識の正確性を達成できるか？
• RQ2 CNNモデルは、明示的な特徴工学を経ずに、生のテキストから効果的なユーモア関連特徴を効果的に学習できるか？
• RQ3 多様でスピーカーがバランス取られた、オープンなコーパスで訓練された場合、CNNモデルの性能はどのように変化するか？
• RQ4 CNNは、自然な口語的言語における異なるスピーカーや話し方のスタイルにどの程度一般化できるか？

主な発見

• CNNベースの手法は、従来の言語的特徴に基づくアプローチよりも高いユーモア認識の正確性を達成した。
• CNNモデルは、生のテキストから必須のユーモア関連特徴を自動で学習する能力を示し、手動での特徴工学への依存を低減した。
• 提案されたコーパスは、バランスが取れており、多様性に富み、オープンなリソースとして、ユーモア認識システムの訓練および評価に適している。
• ポジティブおよびネガティブの両方のインスタンスを含む均一なデータソースの使用により、モデルの一般化性能と信頼性が向上した。