[論文レビュー] Using Nuances of Emotion to Identify Personality

Saif M. Mohammad, Svetlana Kiritchenko|arXiv (Cornell University)|Sep 24, 2013

Sentiment Analysis and Opinion Mining参考文献 13被引用数 15

ひとこと要約

本稿では、NRCハッシュタグ感情リソースの細分化された感情カテゴリー（例：興奮、罪悪感、郷愁、敬愛）が、エッセイにおけるパーソナリティの予測要因として顕著であると提示する。SVM分類器を用いて、これらの細分化された感情特徴が、強力なベースラインに対して、パーソナリティの検出性能を統計的に有意に向上させることを示し、粗い感情特徴や特徴の特異性に比べて優れた性能を発揮している。一方、粗い感情特徴や特異性特徴は有意な向上を示さなかった。

ABSTRACT

Past work on personality detection has shown that frequency of lexical categories such as first person pronouns, past tense verbs, and sentiment words have significant correlations with personality traits. In this paper, for the first time, we show that fine affect (emotion) categories such as that of excitement, guilt, yearning, and admiration are significant indicators of personality. Additionally, we perform experiments to show that the gains provided by the fine affect categories are not obtained by using coarse affect categories alone or with specificity features alone. We employ these features in five SVM classifiers for detecting five personality traits through essays. We find that the use of fine emotion features leads to statistically significant improvement over a competitive baseline, whereas the use of coarse affect and specificity features does not.

研究の動機と目的

• 細分化された感情カテゴリーが、粗い感情特徴や語彙の特異性特徴よりも、パーソナリティの予測に優れているかどうかを検討すること。
• 大規模かつ自動的に作成された感情リソースから導出される語彙的特徴が、パーソナリティ検出においてどの程度有効であるかを評価すること。
• 細分化された感情カテゴリーによる性能向上が、一般的な感情的性質や意味的性質ではなく、その特徴の詳細さに起因しているかどうかを特定すること。
• PennebakerとKingのデータセットを用い、最先端のSVM分類器を用いて、改善されたパーソナリティ検出システムを構築・ベンチマークすること。

提案手法

• 本研究では、約77万5千件のツイートからのハッシュタグ関連付けに基づき、585の感情カテゴリーを語に割り当てるNRCハッシュタグ感情リソースを用いる。
• 3つの特徴セットを比較する：細分化された感情特徴（ハッシュタグリソース）、粗い感情特徴（Osgood次元）、語彙の特異性特徴（WordNetに基づく情報量）。
• Mairesseらの特徴（代名詞、センチメント、認知、社会的プロセス語）を含むベースライン分類器を構築する。
• 5つのSVM分類器を訓練し、PennebakerとKingのデータセットに含まれるエッセイを用いて、5つのオピニオン・ファイブ（外向性、神経症傾向、協調性、誠実性、開放性）を予測する。
• 性能評価にはマクロ平均F1スコアを用い、実験間での統計的有意性を検証する。
• 各585の感情カテゴリーについて情報量の増加を計算し、各パーソナリティ特徴に対して最も判別能の高い感情を同定する。

実験結果

リサーチクエスチョン

• RQ1 細分化された感情カテゴリーは、競合するベースラインに対して、パーソナリティ検出性能を統計的に有意に向上させるか？
• RQ2 細分化された感情特徴による向上は、一般的な感情的性質や意味的性質ではなく、その粒度の詳細さに起因しているか？
• RQ3 粗い感情カテゴリーまたは語彙の特異性特徴のみで、パーソナリティ検出に有意な向上が得られるか？
• RQ4 各5つのパーソナリティ特徴に対して、最も示唆的である具体的な感情は何か？

主な発見

• NRCハッシュタグ感情リソースからの細分化された感情特徴の使用により、Mairesseベースラインと比較して、全5つのパーソナリティ特徴においてF1スコアが統計的に有意に向上した。
• Mairesseベースラインと細分化された感情特徴を組み合わせた最良のモデルは、開放性のマクロ平均F1スコア60.61を達成し、全設定の中で最高の性能を示した。
• ベースライン特徴を除いた細分化された感情特徴のみを用いたモデルは、外向性のマクロ平均F1スコア56.46を達成し、ベースラインおよび他の特徴組み合わせを上回った。
• 粗い感情特徴（Osgood次元）および語彙の特異性特徴は、一部の性能向上を示したものの、ベースラインに対して統計的に有意な向上を示さなかった。
• 各特徴に対して情報量の増加が最も高い感情カテゴリーは以下の通りであった：外向性には#possessive および #apart、神経症傾向には#guilt および #eager、協調性には#happy および #eager、誠実性には#excited および #anxious、開放性には#loving および #homesick。
• 最も判別能の高い感情カテゴリーは、一般的な基本感情（例：喜び、怒り）ではなく、文脈に特化した感情（例：罪悪感、郷愁、敬愛）であることが多かった。