[論文レビュー] Emotionally-Aware Chatbots: A Survey

Endang Wahyu Pamungkas|arXiv (Cornell University)|Jun 24, 2019

Sentiment Analysis and Opinion Mining参考文献 53被引用数 35

ひとこと要約

感情認識型チャットボット（EAC）の系統的調査。ルールベースからニューラル手法への歴史を辿り、アーキテクチャ、データセット、リソース、評価方法、今後の方向性を概説する。

ABSTRACT

Textual conversational agent or chatbots' development gather tremendous traction from both academia and industries in recent years. Nowadays, chatbots are widely used as an agent to communicate with a human in some services such as booking assistant, customer service, and also a personal partner. The biggest challenge in building chatbot is to build a humanizing machine to improve user engagement. Some studies show that emotion is an important aspect to humanize machine, including chatbot. In this paper, we will provide a systematic review of approaches in building an emotionally-aware chatbot (EAC). As far as our knowledge, there is still no work focusing on this area. We propose three research question regarding EAC studies. We start with the history and evolution of EAC, then several approaches to build EAC by previous studies, and some available resources in building EAC. Based on our investigation, we found that in the early development, EAC exploits a simple rule-based approach while now most of EAC use neural-based approach. We also notice that most of EAC contain emotion classifier in their architecture, which utilize several available affective resources. We also predict that the development of EAC will continue to gain more and more attention from scholars, noted by some recent studies propose new datasets for building EAC in various languages.

研究の動機と目的

• 感情を通じてチャットボットをより人間的にする動機を説明し、ユーザーのエンゲージメントを高める。
• 感情認識型チャットボットを構築するための歴史的な進化と主要なアプローチを調査する。
• チャットボットの感情理解に利用できるデータセットと感情リソースを特定する。
• EACの性能を評価するために用いられる評価手法（定性的および定量的）をレビューする。
• 課題を議論し、多言語対応や文脈理解の改善を含む将来の方向性を予測する。

提案手法

• ルールベースの起源からニューラルベースのモデルまで、EACに関する既存研究をレビュー・統合する。
• アーキテクチャのパターンを要約し、感情信号を組み込んだエンコーダ-デコーダ型のseq2seqモデルを強調する。
• 利用可能な感情データセットと感情語彙リソースを整理し、言語の焦点（英語/中国語）に関する注記を付ける。
• EACに統合された感情分類器と、応答生成におけるその役割を説明する。
• ISO 9241の側面を含む評価フレームワークと、EAC研究で用いられる自動・手動指標を概説する。
• EAC研究の傾向と将来の方向性を強調する。

実験結果

リサーチクエスチョン

• RQ1 RQ1 感情情報をどのように組み込んで感情認識型チャットボットを構築するか？
• RQ2 RQ2 感情認識型チャットボットの構築に利用できる利用可能なリソースは何か？
• RQ3 RQ3 感情認識型チャットボットの性能をどのように評価するか？

主な発見

• 感情性はルールベースからニューラルベースのアプローチへ移行し、エンコーダ-デコーダアーキテクチャが支配的になっている。
• ほとんどの感情認識型チャットボットは、応答を導くためにユーザーの感情を検出する感情分類器を組み込んでいる。
• 利用可能なデータセットは主に英語または中国語で、ソーシャルメディア、オンラインコンテンツ、クラウドソーシングから出典されている。
• LIWC、ANEW、DepecheMood、EmoWordNetなどの感情リソースは、感情分類によく用いられている。
• EACの評価は定性的（ユーザビリティ、ISO 9241）と定量的な方法（パープレキシティ、適合率/再現率、BLEU、人的判断などの自動指標）を用いる。
• 将来の課題は多言語対応を拡大し、文脈認識とより微妙な感情機能を発展させることが期待される。