[論文レビュー] Emotion Detection from Text

Umang Gupta, Ankush Chatterjee+2 more|arXiv (Cornell University)|Jul 21, 2017

Sentiment Analysis and Opinion Mining参考文献 30被引用数 5

ひとこと要約

この論文では、半自動的なデータ収集と最適化された単語埋め込みを用いて、テキスト内の喜びや悲しみなどの感情を検出するLSTMベースのディーブラーニングモデルを提案している。実世界のツイートを対象に評価した結果、従来の機械学習手法および市販のディーブラーニングベースラインと比較して顕著に優れた性能を示した。

ABSTRACT

Emotions are perceptions of changes in the human body such as heart rate, breathing rate, perspiration, and hormone levels. These conscious experiences are complex and studied extensively in different fields including computer science. Lack of facial expressions and voice modulations make detecting emotions from text a challenging problem. However, as humans are moving towards a digital era, with increasing mobile communication systems, it is essential that these digital agents are emotion aware, and respond accordingly. In this paper, we propose a novel approach to detect emotions like happy or sad in texts using an LSTM based Deep Learning model. Our approach consists of semi-automated techniques to gather training data for our model. We experiment with different embeddings and propose a solution using the best embedding for the task. Our work is evaluated on real-world tweets and significantly outperforms traditional Machine Learning baselines as well as other off-the-shelf Deep Learning models.

研究の動機と目的

• 顔の表情や声のトーンが欠落しているため、正確な感情認識が難しいテキストからの感情検出という課題に対処すること。
• 特にソーシャルメディアの文脈において、デジタルテキスト内の微細な感情状態を理解できるディーブラーニングモデルを開発すること。
• 訓練データ収集のための半自動的技術の活用と最適な単語埋め込みの選定により、感情検出の性能を向上させること。
• 実世界のツイートデータに対して、従来の機械学習手法および市販のディーブラーニングモデルと比較して、提案モデルの性能を評価すること。

提案手法

• 感情分類のためのテキスト内の順序的依存関係をモデル化するために、長短期記憶（LSTM）ネットワークを採用すること。
• 感情検出タスクのための訓練データの収集とラベル付けに、半自動的技術を用いること。
• さまざまな事前学習済み単語埋め込みを実験し、感情検出に最も効果的な表現を同定すること。
• 最もパフォーマンスの良い埋め込みを用いてモデルを最適化し、テキスト系列における分類精度を向上させること。
• 実世界のツイートデータセットを用いてモデルを訓練および評価し、実用的関連性と頑健性を確保すること。
• 従来の機械学習ベースラインおよび他のディーブラーニングアーキテクチャと比較して、モデルの性能を評価すること。

実験結果

リサーチクエスチョン

• RQ1 従来の機械学習手法と比較して、LSTMベースのディーブラーニングモデルは、喜びや悲しみといった感情をテキストから検出する際にどの程度有効であるか？
• RQ2 異なる単語埋め込みは、テキストにおける感情検出モデルの性能にどのような影響を与えるか？
• RQ3 半自動的データ収集技術は、リソースが限られたりノイズが多いテキスト環境において、信頼性のある訓練データを生成できるか？
• RQ4 提案モデルは、ツイートのような実世界の非構造的ソーシャルメディアテキストに対して、市販のディーブラーニングモデルと比較してどの程度の性能を示すか？

主な発見

• 提案されたLSTMベースのモデルは、従来の機械学習ベースラインと比較して、実世界のツイートデータにおいて優れた性能を達成した。
• 他の市販のディーブラーニングモデルと比較して、このモデルはテキストからの感情検出において顕著に優れた性能を示した。
• 最適化された単語埋め込みの使用により、感情検出の正確性に顕著な向上が見られた。
• 半自動的データ収集技術は、感情検出タスクに適した訓練データを効果的に生成できた。
• モデルは、ソーシャルメディアプラットフォームで一般的なノイズが多く、非形式的なテキストに対しても優れた汎化性能を示した。