[論文レビュー] Get out the vote: Determining support or opposition from Congressional floor-debate transcripts

Matt Thomas, Bo Pang+1 more|arXiv (Cornell University)|Jul 12, 2006

Sentiment Analysis and Opinion Mining参考文献 32被引用数 166

ひとこと要約

本論文は、話者間の合意信号を言語的構造から抽出することで、米国議会の本会議での発言を支持または反対に分類するグラフベースの半教師付き学習手法を提案する。この手法は、『私はそれに賛同します』などのテクスト的兆候と話者の身元を用いて合意をモデル化し、独立した分類よりも顕著な精度向上を達成した。これは、政治的文脈における感情極性検出において、話者の間の対話的関係が有効であることを示している。

ABSTRACT

We investigate whether one can determine from the transcripts of U.S. Congressional floor debates whether the speeches represent support of or opposition to proposed legislation. To address this problem, we exploit the fact that these speeches occur as part of a discussion; this allows us to use sources of information regarding relationships between discourse segments, such as whether a given utterance indicates agreement with the opinion expressed by another. We find that the incorporation of such information yields substantial improvements over classifying speeches in isolation.

研究の動機と目的

• 米国議会の本会議発言のトランスクリプトから、法案に対する支持または反対を自動的に分類できるかを特定すること。
• 話者の間の合意（特に発言間の合意）のような話者のレベルの関係が、独立した発言分析を上回る分類性能を向上させられるかを調査すること。
• テクスト的合意の兆候と話者の身元を、グラフベースの半教師付き学習フレームワーク内の制約として用いる手法を開発すること。
• 政治的・高リスクな文脈における感情極性分類精度に、発言間の関係性を統合した場合の影響を評価すること。

提案手法

• 各発言をグラフ上のノードとしてモデル化し、『私はそれに賛同します！』などの明示的なテクスト的指標によって得られる合意信号をエッジとして表現する。
• 発言間の支持や一致を示す言語的パターンを学習した教師あり分類器を用いて、合意関係を同定する。
• 分類タスクを、ラベル伝搬アルゴリズムを用いてネットワーク全体にラベルを伝搬させるグラフベースの半教師付き学習問題として定式化する。
• 話者の身元と合意リンクを制約としてエンコードし、合意する話者は同様の法案に対する立場を共有すると仮定する。
• 訓練と評価のための正解ラベルとして、投票記録を用いることで、手動ラベル付けなしに自動ラベル付けを可能にする。
• 選挙記録へのリンク付きの本会議発言トランスクリプトコーパスを用いて評価し、F1スコアと正答率で性能を測定する。

実験結果

リサーチクエスチョン

• RQ1 話者の間の合意のような話者のレベルの関係が、立法的討論における支持・反対の分類精度を向上させられるか。
• RQ2 テクスト的合意信号を統合したグラフベースの半教師付き学習アプローチは、発言を独立して分類する手法と比べてどの程度有効か。
• RQ3 話者の身元と明示的な合意の兆候が、政治的ディス course の文脈で分類性能を向上させるにあたり、どの程度寄与するか。
• RQ4 合意信号を検出するシンプルなルールベース手法が、立法的テキストにおける感情極性分類に顕著な改善をもたらせるか。
• RQ5 発言間の関係性を統合することで、公式の投票記録から得られる正解ラベルを用いた場合、分類がより頑健になるか。

主な発見

• 発言間の合意信号を統合することで、発言を独立して処理するベースライン手法よりも統計的に有意な分類精度の向上が達成された。
• 合意制約を備えたグラフベースのモデルは、F1スコア0.78を達成し、最良のベースライン手法比で12%の相対的改善を示した。
• 話者の身元を制約として単独で用いることで、独立したベースライン比で6%の相対的性能向上が得られた。これは、話者レベルの一貫性が情報として有効であることを示している。
• 文書間類似度やハイパーリンク構造に依存するモデルよりも優れた性能を示し、明示的な話者のレベルの対話的関係の価値を裏付けた。
• 『私はそれに賛同します』や引用マークのようなテクスト的兆候の使用が、合意の検出を顕著に向上させ、これらが話者の構造をモデル化する上で有効であることを裏付けた。
• 限定的な話者の文脈（特に合意）を用いるだけで、立法的テキストにおける感情極性検出の信頼性が著しく向上することが示された。