[論文レビュー] Representation Mapping: A Novel Approach to Generate High-Quality Multi-Lingual Emotion Lexicons

Sven Buechel, Udo Hahn|arXiv (Cornell University)|Jul 2, 2018

Sentiment Analysis and Opinion Mining参考文献 38被引用数 10

ひとこと要約

本稿では、感情レキソンの表現形式間（例えば、基本感情（BE5）と価値・覚醒・優位性（VAD））の変換を可能にする教師あり手法であるRepresentation Mapping（EmoMap）を提案する。これにより、言語間の相互運用性が向上する。既存の心理学的レキソンを活用し、人間によるアノテーションデータと強い相関を示すことで、8つの言語（包括的言語タイプの多様性とリソースが限られる言語を含む）に対してゴールドまたはほぼゴールド品質の感情レキソンが得られる。

ABSTRACT

In the past years, sentiment analysis has increasingly shifted attention to representational frameworks more expressive than semantic polarity (being positive, negative or neutral). However, these richer formats (like Basic Emotions or Valence-Arousal-Dominance, and variants therefrom), rooted in psychological research, tend to proliferate the number of representation schemes for emotion encoding. Thus, a large amount of representationally incompatible emotion lexicons has been developed by various research groups adopting one or the other emotion representation format. As a consequence, the reusability of these resources decreases as does the comparability of systems using them. In this paper, we propose to solve this dilemma by methods and tools which map different representation formats onto each other for the sake of mutual compatibility and interoperability of language resources. We present the first large-scale investigation of such representation mappings for four typologically diverse languages and find evidence that our approach produces (near-)gold quality emotion lexicons, even in cross-lingual settings. Finally, we use our models to create new lexicons for eight typologically diverse languages.

研究の動機と目的

• NLP分野における互換性のない感情表現形式の増加が、リソースの再利用可能性とシステムの比較可能性を制限する問題に対処する。
• 感情表現スキーム（例：VADとBE5）間の自動マッピング手法を開発し、感情レキソンの相互運用性を向上させる。
• 単言語および多言語設定下で、自動生成されたレキソンの品質を人間によるアノテーションのゴールドスタンダードと比較して評価する。
• 提案されたマッピングフレームワークを用いて、8つの言語（包括的言語タイプの多様性とリソースが限られる言語を含む）に対して、新たな高品質な感情レキソンを構築する。
• 構築されたレキソンとソースコードを公開し、NLP研究における再現可能性と再利用を支援する。

提案手法

• 本手法は、心理学的レキソンから得られるアライメント済みの訓練データを用いて、1つの表現形式（例：VAD）から別の形式（例：BE5）への感情レーティングのマッピングを教師あり学習で行う。
• 単言語マッピングでは、既存の心理学的リソースから得た言語固有の、人間によるアノテーション済みの感情レーティングを用いてモデルを訓練する。
• 多言語マッピングでは、多言語並列データとトランスファー学習を活用して、言語間で一般化する。
• 本手法は、統計的相関分析と回帰モデルに依存し、元の形式のレーティングに基づいて、ターゲット形式の感情値を予測する。
• フレームワークの評価には、予測値とゴールドスタンダードレーティング間の相関係数（例：ピアソンのr）を用い、人間のアノテーター間信頼性をベンチマークとして用いる。
• 最終的なレキソンは、訓練済みモデルを未アノテートの語彙項目に適用することで、大規模に新たな感情レーティングを生成することによって構築される。

実験結果

リサーチクエスチョン

• RQ1 VADとBE5などの感情形式間のマッピングは、ゴールドまたはほぼゴールド品質の感情レキソンを生成できるか？
• RQ2 単言語および多言語設定下で、自動マッピングの性能は人間によるアノテーションのゴールドスタンダードと比べてどの程度か？
• RQ3 提案手法は、異なる表現スキーム間での感情レキソンの相互運用性と再利用可能性をどの程度向上させるか？
• RQ4 マッピングモデルはリソースが限られる言語に対しても効果的に一般化可能で、信頼性の高い感情レーティングを生成できるか？
• RQ5 自動生成された感情レーティングは、心理学的研究で実証的に確立された感情値とどの程度相関するか？

主な発見

• 単言語マッピングでは、人間のアノテーター間信頼性を上回る性能を示し、生成されたレキソンがゴールドスタンダードの品質に達していることを示している。
• 多言語設定下でも、ほぼゴールド品質の感情レキソンが生成され、単言語設定よりわずかに性能が低いものの、手動アノテーションと同等の水準に達している。
• 予測値とゴールドスタンダードレーティングの間には強い相関が確認され、例として「喜び」と「価値」の間でr > 0.8の相関が得られた。これは、モデルの予測精度を裏付ける。
• 自動生成された英語のBE5レキソンは高い外見的妥当性を示し、各感情カテゴリに直感的に一致する語（例：「喜び」に対して「happy」）が上位にランクされている。
• 本手法は、感情次元全体にわたる正確性と一貫性の面で、最先端の感情予測モデルを大きく上回った。
• 本手法により、オランダ語やインドネシア語などリソースが限られる言語も含め、8言語の高品質な感情レキソンが成功裏に生成され、リソースとコードが公開された。