[論文レビュー] Exploiting Social Network Structure for Person-to-Person Sentiment Analysis

Robert West, Hristo S. Paskov+2 more|arXiv (Cornell University)|Sep 8, 2014

Topic Modeling被引用数 7

ひとこと要約

本論文は、符号付きソーシャルネットワーク構造とテキストセンチメント分析を統合する共同グラフィカルモデルを提案し、単独で用いるいずれの手法よりも、人物間のセンチメントをより正確に予測する。ヘッジロス・マルコフ確率場（HLMRF）として問題を定式化することで、言語的手がかりと社会的文脈を効率的に統合し、Wikipediaの管理者任命要請と米国上院議会発言の2つの多様なデータセットにおいて、テキスト単体またはネットワーク単体のベースラインを著しく上回る性能を発揮する。

ABSTRACT

Person-to-person evaluations are prevalent in all kinds of discourse and important for establishing reputations, building social bonds, and shaping public opinion. Such evaluations can be analyzed separately using signed social networks and textual sentiment analysis, but this misses the rich interactions between language and social context. To capture such interactions, we develop a model that predicts individual A's opinion of individual B by synthesizing information from the signed social network in which A and B are embedded with sentiment analysis of the evaluative texts relating A to B. We prove that this problem is NP-hard but can be relaxed to an efficiently solvable hinge-loss Markov random field, and we show that this implementation outperforms text-only and network-only versions in two very different datasets involving community-level decision-making: the Wikipedia Requests for Adminship corpus and the Convote U.S. Congressional speech corpus.

研究の動機と目的

• 分離されたセンチメント分析と符号付きネットワーク分析の限界に対処する。これらは、人物間評価における言語的手がかりと社会的文脈の相互作用を捉えられていない。
• テキストセンチメント信号と符号付きソーシャルネットワークからの構造的制約を統合することで、感情極性を共同で推論する統一モデルを開発する。
• 実世界の設定において、テキストまたはネットワークデータのいずれかが疎だったりノイズが多くても、共同モデリングが予測性能を向上させることを示す。
• 強いテキストだが弱いネットワーク、あるいは強いネットワークだが弱いテキストといった、さまざまなデータ条件に効果的に適応できるように、最適な信号統合方法をデータから学習することを示す。

提案手法

• モデルは、NP困難な問題を効率的に解ける形に緩和するため、ヘッジロス・マルコフ確率場（HLMRF）を用いる。
• 2つの証拠源を統合する：(1) 人物Aが人物Bに対して行うテキスト的評価からのセンチメントスコア、および (2) 特に三角形のバランスとステータス理論を含む、符号付きソーシャルネットワーク内の構造的パターン。
• モデルは、ソーシャルネットワーク内の人物間の有向エッジのセンチメント極性（肯定／否定）を予測するために、エンドツーエンドで訓練される。
• 2段階スピンガラス問題からの還元により、元の問題がNP困難であることが証明され、HLMRFによる緩和の正当性が裏付けられる。
• フレームワークは適応的であり、データの特性に応じてセンチメント信号とネットワーク信号の重み付けを学習する。

実験結果

リサーチクエスチョン

• RQ1 テキストセンチメントと符号付きネットワーク構造を組み合わせることで、単独で用いる場合よりも、人物間のセンチメント予測が向上するか？
• RQ2 1つのモダリティ（テキストまたはネットワーク）が疎またはノイズが多くても、もう一方が信頼性が高い場合、モデルの性能はどの程度向上するか？
• RQ3 バランスやステータス理論のようなソーシャルネットワークのパターンは、テキストセンチメントの曖昧さをどの程度解消できるか？
• RQ4 共同モデルは、Wikipedia や議会発言コーパスのような多様な実世界設定において、信号を適応的に統合する能力を学習できるか？

主な発見

• Wikipediaの管理者任命要請コーパスにおいて、テキストセンチメントは強いがネットワーク構造が疎である状況で、共同モデルはテキスト単体およびネットワーク単体のベースラインを著しく上回る。
• Convote米国上院議会発言コーパスにおいて、ネットワーク構造は完全に観測可能だが、テキストセンチメントは間接的かつノイズが多い状況でも、共同モデルは再び優れた性能を発揮する。
• モデルは高い再現率レベルでも高い正確性を維持するが、三角形ベースの推論における不確実性のため、ネットワーク単体モデルは再現率20％を過ぎると正確性が急激に低下する。
• ネットワーク証拠が不完全な場合、モデルはセンチメント信号を効果的に活用して予測を安定化させ、エッジラベルの疎らさに対しても頑健であることが示された。
• モデルの適応性により、信号の信頼性に関する事前知識がなくても、データから最適な統合重みを学習でき、多様なデータ環境において有効であることが分かった。