[論文レビュー] Emotion Detection in Text: a Review

Armin Seyeditabari, Narges Tabari+1 more|arXiv (Cornell University)|Jun 2, 2018

Sentiment Analysis and Opinion Mining参考文献 50被引用数 63

ひとこと要約

テキストにおける感情検出の包括的な調査で、心理モデル、言語的複雑さ、データ資源、および監督/非監督手法を概説し、課題と今後の方向性を強調する。

ABSTRACT

In recent years, emotion detection in text has become more popular due to its vast potential applications in marketing, political science, psychology, human-computer interaction, artificial intelligence, etc. Access to a huge amount of textual data, especially opinionated and self-expression text also played a special role to bring attention to this field. In this paper, we review the work that has been done in identifying emotion expressions in text and argue that although many techniques, methodologies, and models have been created to detect emotion in text, there are various reasons that make these methods insufficient. Although, there is an essential need to improve the design and architecture of current systems, factors such as the complexity of human emotions, and the use of implicit and metaphorical language in expressing it, lead us to think that just re-purposing standard methodologies will not be enough to capture these complexities, and it is important to pay attention to the linguistic intricacies of emotion expression.

研究の動機と目的

• テキスト分析における感情の心理モデルの調査（離散 vs 次元）。
• 明示的表現 vs 暗示的表現、比喩、文脈、文化を含む言語的複雑さの分析。
• データ資源のレビュー（ラベル付きデータセット、感情語彙、埋め込み）とモデル開発への影響。
• テキストの感情検出における監督型および非監督型手法を要約し、現在の制限と改善点を論じる。

提案手法

• Ekman, Plutchik, Circumplex などの心理学ベースの感情モデルと離散 vs 次元アプローチを議論する。
• 感情を表現する際の言語的課題（暗示的表現、比喩、文脈、文化間の差異）を説明する。
• リソースのカタログ化: ラベル付きテキスト（ISEAR, SemEval, fairy tale datasets）、感情語彙（NRC, WordNet-Affect, LIWC, ANEW）、および単語埋め込み（Word2Vec, GloVe, retrofitting） 。
• hashtag/emoticonsを用いたマイクロブログデータ、特徴集合（n-grams, lexicons, POS, 依存 parsing）、およびクラス不均衡処理を用いた監督型アプローチをレビュー。
• 非監督型アプローチ（NMF, LSA/PLSA, PMIベースの手法）とルールベース/語彙支援手法を要約。
• 開かれた課題を強調: データの品質/量、暗示的表現、比喩表現、文脈、および言語学的に情報を取り入れたモデルの必要性。

実験結果

リサーチクエスチョン

• RQ1 テキストの感情の離散的側面と次元的側面を最もよく捉えるモデルはどれか？
• RQ2 言語的複雑さ（暗示的表現、比喩、文脈）は感情検出の性能にどう影響するか？
• RQ3 どのデータ資源と埋め込みが感情検出モデルを最も効果的にサポートするか？
• RQ4 監督型と非監督型のアプローチは実践上どう比較され、どの制限があるか？
• RQ5 テキストベースの感情検出における主要なオープン課題と今後の研究方向は何か？

主な発見

• 感情検出は多クラスラベル付け、暗示的表現、言語的複雑さのため、感情分析より難しい。
• 感情ラベリングのデータセットは不足しており、研究者はノイズのあるラベル（ハッシュタグ、絵文字）を含むマイクロブログデータや既存の感情語彙に依存している。
• 語彙埋め込みと語彙は性能を向上させることができるが、文脈と比喩的言語は単純な語彙アプローチの有効性を制限する。
• 監督型手法はしばしばクラス不均衡やドメイン/データ収集問題に悩まされる; 常識知識と高度な表現は競争力のある結果を得られる。
• 非監督型アプローチ（例：マトリックス因子分解、PMIベースの手法）は意味のある性能を達成し、一定の設定で監督型手法に近づくことがある。
• 全体として、頑健な感情検出には暗示的感情、文脈、文化間差異に対処する言語学的に情報を取り入れたモデルが必要。