[論文レビュー] Emotion Recognition under Consideration of the Emotion Component Process Model

Felix Casel, Amelie Heindl+1 more|arXiv (Cornell University)|Jul 27, 2021

Sentiment Analysis and Opinion Mining被引用数 6

ひとこと要約

本稿は、テキストにおける感情表現のための、感情コンポonentプロセスモデル（CPM）に基づく新規アノテーションスキームを提案し、Twitterおよび文学コーパスに適用する。マルチタスク学習フレームワークにCPMコンポonentを統合することで、感情分類性能が最大4 F1ポイント向上することを示しており、コンポonentレベルの情報がソーシャルメディアや文学といった異なるドメインにわたるモデルの一般化を向上させることを示している。

ABSTRACT

Emotion classification in text is typically performed with neural network models which learn to associate linguistic units with emotions. While this often leads to good predictive performance, it does only help to a limited degree to understand how emotions are communicated in various domains. The emotion component process model (CPM) by Scherer (2005) is an interesting approach to explain emotion communication. It states that emotions are a coordinated process of various subcomponents, in reaction to an event, namely the subjective feeling, the cognitive appraisal, the expression, a physiological bodily reaction, and a motivational action tendency. We hypothesize that these components are associated with linguistic realizations: an emotion can be expressed by describing a physiological bodily reaction ("he was trembling"), or the expression ("she smiled"), etc. We annotate existing literature and Twitter emotion corpora with emotion component classes and find that emotions on Twitter are predominantly expressed by event descriptions or subjective reports of the feeling, while in literature, authors prefer to describe what characters do, and leave the interpretation to the reader. We further include the CPM in a multitask learning model and find that this supports the emotion categorization. The annotated corpora are available at https://www.ims.uni-stuttgart.de/data/emotion.

研究の動機と目的

• スハラーの感情コンポonentプロセスモデル（CPM）で定義された、例えば生理的、表現的、認知的といった異なるコンポonent（感情コンポonent）における感情の言語的表現様式を調査すること。
• NLP研究を目的として、Twitter（TEC）および文学（REMAN）コーパスにおける感情コンポonentの新しいアノテーションコーパスを構築し、公開すること。
• 感情コンポonent情報を感情分類モデルに組み込むことで、マルチタスク学習を用いて性能が向上するかどうかを評価すること。
• ドメイン（ソーシャルメディア対文学）および感情カテゴリー（例：怒り、喜び、悲しみ）ごとの感情コンポonentの分布の違いを比較すること。
• 基本的な感情カテゴリーを超えた心理学的理論を活用することで、計算的感情認識の向上が可能かどうかを検討すること。

提案手法

• スハラーの感情コンポonentプロセスモデル（CPM）に基づく5つの感情コンポonentクラス（主観的感覚、認知的評価、表現、生理的反応、動機的行動傾向）を用いて、Twitter感情コーパス（TEC）およびREMAN文学コーパスから3,041件のインスタンスをアノテーションした。
• パラメータ共有を可能にするために、感情カテゴリーと感情コンポonentの両方を同時に予測するクロススタッチマルチタスク学習（MTL）アーキテクチャを適用した。
• ゴールスタンダードのコンポonentアノテーションを用いて、コンポonent情報による性能向上の上限を評価するため、ニューラルモデル（Emo-Cpm-NN-Gold）を訓練した。
• 推論時にゴールコンポonentラベルにアクセスできない現実的なクロススタッチMTL設定（MTL-XS）において、モデルを評価した。
• 標準的なニューラル分類器（BiLSTM）をベースラインとして用い、以下の設定での性能を比較した：通常の感情のみ、コンポonent情報あり、ゴールコンポonent情報あり。
• TECおよびREMANデータセットの両方でF1スコアを用いて性能を評価し、コンポonent情報の寄与を分離するためのアブレーションスタディを実施した。

実験結果

リサーチクエスチョン

• RQ1 ソーシャルメディア（Twitter）と文学的テキストにおいて、感情コンポonentプロセスモデル（CPM）の5つのコンポonent（主観的感覚、認知的評価、表現、生理的反応、動機的行動傾向）において、感情はどのように言語的に表現されているか？
• RQ2 感情カテゴリー（例：怒り、喜び、悲しみ）やドメイン（Twitter 対 文学）ごとに、感情コンポonentの分布に差異があるか？
• RQ3 マルチタスク学習フレームワークに感情コンポonent予測を組み込むことで、感情分類モデルの性能が向上するか？
• RQ4 特に、このような監視情報がないモデルと比較して、コンポonentレベルの情報が感情分類にどの程度寄与しているか？
• RQ5 特に文学的文脈において、曖昧な感情表現や微細な感情表現を区別するのを、コンポonentレベルの情報がどの程度支援するか？

主な発見

• Twitterでは、感情が主に出来事の記述や主観的感覚の報告を通じて表現されるのに対し、文学的文脈では、登場人物の行動記述が中心であり、感情の解釈は読者に任されている傾向が強い。
• クロススタッチマルチタスク学習モデル（MTL-XS）は、ゴールコンポonentラベルが利用できない状況でも、REMANコーパスで0.47 F1（ベースライン比+4 F1ポイント）、TECコーパスで0.61 F1（ベースライン比+4 F1ポイント）の性能向上を達成した。
• ゴールコンポonentラベルにアクセス可能なモデル（Emo-Cpm-NN-Gold）は、REMANで0.45 F1、TECで0.62 F1に達しており、コンポonent情報が性能向上に顕著に寄与していることが示された。
• MTL-XSモデルは両データセットで感情のみのベースラインを上回り、特に両タスクの共同学習によって最高の性能が達成された。これは、コンポonentと感情予測が互いに補完し合うことを示している。
• コンポonent情報は、REMANでは驚きを除き、TECでは怒りを除き、すべての感情カテゴリーで分類性能を向上させた。これは、コンポonentの顕著さがドメインや感情カテゴリーに依存することを示唆している。
• 手動による検証により、CPMに基づくコンポonentが感情表現の直感的な言語的パターンと整合しており、アノテーションスキームの解釈可能性と実用性が裏付けられた。