[論文レビュー] The emojification of sentiment on social media: Collection and analysis of a longitudinal Twitter sentiment dataset

Wenjie Yin, Rabab Alkhalifa+1 more|arXiv (Cornell University)|Aug 31, 2021

Sentiment Analysis and Opinion Mining参考文献 14被引用数 4

ひとこと要約

本論文では、7年間にわたり1億8400万件を超えるツイートを含む大規模な、遠隔教師付きのTwitterセンチメントデータセットであるTM-Sentiを紹介する。このデータセットは絵文字とイエローフェイス絵文字を用いてラベル付けされている。本研究では、感情表現における絵文字の使用が増加する長期的傾向が明らかになった。本データセットはインターネットアーカイブのアーカイブ資産を活用することで完全に再構築可能であり、センチメント分析およびテキスト分類分野における再現可能で信頼できる研究を可能にする。

ABSTRACT

Social media, as a means for computer-mediated communication, has been extensively used to study the sentiment expressed by users around events or topics. There is however a gap in the longitudinal study of how sentiment evolved in social media over the years. To fill this gap, we develop TM-Senti, a new large-scale, distantly supervised Twitter sentiment dataset with over 184 million tweets and covering a time period of over seven years. We describe and assess our methodology to put together a large-scale, emoticon- and emoji-based labelled sentiment analysis dataset, along with an analysis of the resulting dataset. Our analysis highlights interesting temporal changes, among others in the increasing use of emojis over emoticons. We publicly release the dataset for further research in tasks including sentiment analysis and text classification of tweets. The dataset can be fully rehydrated including tweet metadata and without missing tweets thanks to the archive of tweets publicly available on the Internet Archive, which the dataset is based on.

研究の動機と目的

• ソーシャルメディア研究において縦断的センチメントデータセットが不足している問題に対処すること、特に時間の経過に伴う感情の変化を追跡することを目的とする。
• 絵文字とイエローフェイス絵文字をセンチメントの代理指標として用いて、大規模かつ遠隔教師付きのTwitterセンチメントデータセットを構築すること。
• ユーザー生成コンテンツにおける絵文字への移行を含め、感情表現における時間的傾向を分析すること。
• インターネットアーカイブがアーカイブした公開済みツイートを活用することで、データセットの再現可能性と完全な再構築を保証すること。
• オープンデータの公開を通じて、将来的なセンチメント分析、テキスト分類、ソーシャルメディア分析分野の研究を支援すること。

提案手法

• 本データセットは、遠隔教師付きアプローチを用いて構築され、ツイート内の絵文字（例：`:)`、`:(`）および絵文字（例：😊、😢）を感情の代理指標としてラベル付けした。
• 1億8400万件を超えるツイートが、インターネットアーカイブのツイッター・データセットから収集され、2013年から2020年までの期間をカバーしている。
• 各ツイートに含まれる絵文字や絵文字の感情極性に基づき、肯定的、否定的、中立的の3つのラベルが割り当てられた。
• 縦断的および文脈的分析を可能にするために、ユーザーID、タイムスタンプ、リツイート状態などの完全なツイートメタデータが含まれている。
• ラベルの一貫性とデータセットの品質を保証するための検証プロセスが実施され、後続のバージョンで修正が加えられた。
• インターネットアーカイブのアーカイブ済みツイートを活用することで、本データセットは完全に再構築可能であり、再現性が保証される。

実験結果

リサーチクエスチョン

• RQ1 2013年から2020年の間に、ツイッターの感情表現における絵文字と絵文字の使用はどのように変化したか？
• RQ2 ソーシャルメディアの文脈において、伝統的な絵文字と比較して、絵文字はどれほど信頼できる感情指標として機能するか？
• RQ3 本データセットにおける異なるトピックや出来事ごとの感情分布に、時間的傾向は見られるか？
• RQ4 絵文字への移行は、デジタルコミュニケーション行動における広範な変化をどのように反映しているか？
• RQ5 絵文字と絵文字を用いた遠隔教師付きアプローチは、縦断的分析に適した信頼性がありスケーラブルなセンチメントデータセットを生成できるか？

主な発見

• 本データセットには1億8400万件を超えるツイートが含まれており、絵文字と絵文字に基づくラベル付けにより、大規模なセンチメント分析が可能である。
• 7年間にわたり、絵文字の使用が顕著かつ一貫して増加しており、感情表現における「絵文字化（emojification）」の傾向が示された。
• 2013年から2020年にかけて、絵文字を含むツイートの割合は着実に上昇した一方で、絵文字の使用は減少した。これは、デジタル表現様式の変化を反映している。
• インターネットアーカイブのツイートアーカイブを活用することで、本データセットは完全に再構築可能であり、再現性と元のツイートメタデータへのアクセスが保証される。
• 遠隔教師付きラベリングアプローチにより、信頼性がありスケーラブルなデータセットが得られ、将来的なセンチメント分析およびテキスト分類タスクに適している。
• バージョンv1からv3にかけて、付録のタイポが修正され、v3は2025年3月にリリースされた。