[論文レビュー] Lexical-semantic resources: yet powerful resources for automatic personality classification

Xuan-Son Vu, Lucie Flek+2 more|arXiv (Cornell University)|Nov 27, 2017

Personality Traits and Psychology被引用数 6

ひとこと要約

本稿では、従来の単語n-gramやスタイル特徴に限界があることを補うために、語彙的・意味的リソース——具体的には、意味レベルの意味的分類と感情検出——を活用した自動パーソナリティ分類の手法を提案する。WordNet や感情リソースといったリソースから高レベルの意味的特徴を抽出することで、パーソナリティ固有の訓練データを必要とせずに、最先端の手法と同等のパフォーマンスを達成する。

ABSTRACT

In this paper, we aim to reveal the impact of lexical-semantic resources, used in particular for word sense disambiguation and sense-level semantic categorization, on automatic personality classification task. While stylistic features (e.g., part-of-speech counts) have been shown their power in this task, the impact of semantics beyond targeted word lists is relatively unexplored. We propose and extract three types of lexical-semantic features, which capture high-level concepts and emotions, overcoming the lexical gap of word n-grams. Our experimental results are comparable to state-of-the-art methods, while no personality-specific resources are required.

研究の動機と目的

• 基本的なスタイル特徴を超えて、語彙的・意味的リソースが自動パーソナリティ分類に与える影響を調査すること。
• 意味レベルの意味的および感情的情報を組み込むことで、単語n-gramモデルにおける語彙的ギャップを是正すること。
• パーソナリティ固有の語彙やアノテート済みデータに依存せずに、競争力のあるパフォーマンスを達成する手法を開発すること。
• 一般用途の語彙的・意味的リソースが、パーソナリティ関連の意味的パターンを効果的に捉えることができることを示すこと。

提案手法

• 著者らは、3種類の語彙的・意味的特徴を抽出する：WordNet を用いた意味レベルの意味的分類、感情リソコンスからの感情強度スコア、および語彙的リソースに基づく意味的類似度特徴。
• 文脈に応じた意味の判別（word sense disambiguation）を適用し、語の最も関連性の高い意味にマッピングすることで、意味レベルの意味的表現を可能にする。
• 感情リソコンスを用いてテキスト内の感情的コンテンツを定量化し、パーソナリティ特徴に関連する感情的次元を捉える。
• 特徴はドキュメントレベルで抽出され、標準的なベースラインと組み合わせて、パーソナリティ分類におけるパフォーマンスを評価する。
• このアプローチは、ドメイン特化またはパーソナリティ指向の訓練データを必要とせず、一般用途の語彙的・意味的リソースに依存する。
• 標準的なパーソナリティ分類ベンチマークで実験を行い、オフザシェルの意味的リソースのみを用いて、最先端の手法と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 語彙的・意味的リソースは、従来のスタイル特徴やn-gram特徴を超えて、自動パーソナリティ分類にどの程度寄与するか？
• RQ2 意味レベルの意味的分類と感情強度特徴は、パーソナリティ関連の情報をどの程度効果的に捉えられるか？
• RQ3 一般用途の語彙的・意味的リソースは、パーソナリティ固有の訓練データや語彙を必要とせずに、競争力のあるパフォーマンスを達成できるか？
• RQ4 意味的分類と感情的コンテンツの相対的な寄与度は、パーソナリティ特徴の予測においてどの程度か？

主な発見

• 提案手法は、標準的なパーソナリティ分類ベンチマークにおいて、最先端の手法と同等のパフォーマンスを達成した。
• 意味レベルの意味的特徴を組み込むことで、ベースラインの単語n-gramや品詞特徴に比べ、分類精度が顕著に向上した。
• 感情強度特徴は、神経質さや外向性といった特徴の予測において、有意義な貢献をした。
• パーソナリティ固有の語彙を一切使用せず、語彙的・意味的リソースの一般化可能性を示した。
• 語の意味の判別により意味的表現が向上し、bag-of-wordsモデルに見られる語彙的ギャップが軽減された。
• 意味的分類と感情特徴の組み合わせが、最も優れた全体的なパフォーマンスを達成しており、両者の寄与が補完的であることが示された。