[논문 리뷰] Automatic Sarcasm Detection: A Survey

Aditya Joshi, Pushpak Bhattacharyya외 1명|arXiv (Cornell University)|2016. 02. 10.

Identification and Quantification in Food참고 문헌 42인용 수 109

한 줄 요약

이 설문은 자동 풍자 감지에 관한 과거 연구를 종합하여 문제 정의, 데이터셋, 접근법(규칙 기반, 통계적, 딥러닝), 경향(패턴 발견과 맥락 사용), 그리고 해결되지 않은 문제를 다룹니다.

ABSTRACT

Automatic sarcasm detection is the task of predicting sarcasm in text. This is a crucial step to sentiment analysis, considering prevalence and challenges of sarcasm in sentiment-bearing text. Beginning with an approach that used speech-based features, sarcasm detection has witnessed great interest from the sentiment analysis community. This paper is the first known compilation of past work in automatic sarcasm detection. We observe three milestones in the research so far: semi-supervised pattern extraction to identify implicit sentiment, use of hashtag-based supervision, and use of context beyond target text. In this paper, we describe datasets, approaches, trends and issues in sarcasm detection. We also discuss representative performance values, shared tasks and pointers to future work, as given in prior works. In terms of resources that could be useful for understanding state-of-the-art, the survey presents several useful illustrations - most prominently, a table that summarizes past papers along different dimensions such as features, annotation techniques, data forms, etc.

연구 동기 및 목표

• 자동 풍자 탐지 연구의 목적과 동기에 대해 요약한다.
• 풍자 탐지에 사용된 데이터셋, 문제 형식화, 주석 방법을 분류한다.
• 규칙 기반, 통계적, 그리고 딥 러닝 기반의 방법론적 접근과 그 특징을 검토한다.
• 주요 경향(패턴 발견, 해시태그 감독, 맥락 반영)과 현재 이슈를 파악한다.
• 최첨단 풍자 탐지 연구를 위한 향후 방향과 자원에 대한 지침을 제공한다.

제안 방법

• 데이터셋에서 접근법까지 풍자 탐지 연구에 대한 포괄적 문헌 검토를 수행한다.
• 접근법을 규칙 기반, 통계적, 그리고 딥 러닝 기반 범주로 분류한다.
• 풍자 지시자에 대한 패턴 발견 기법과 이를 특징이나 규칙으로 활용하는 방식을 논의한다.
• 대상 텍스트를 넘어서는 맥락 정보(작성자, 대화, 주제 맥락)의 역할을 검토한다.
• 과거 논문들을 차원별로 정리한 표를 통해 자원을 제시한다.
• 보고된 성능과 공동 태스크를 요약하여 최첨단 현황을 위치시킨다.

실험 결과

연구 질문

• RQ1 풍자 탐지에 사용된 데이터셋은 어떤 형태(짧은 텍스트, 긴 텍스트, 기타)이며 어떻게 라벨링되었는가?
• RQ2 데이터 형태에 관계없이 효과적인 특징과 학습 알고리즘은 무엇인가?
• RQ3 대상 텍스트를 넘어선 맥 contextual 정보가 어떻게 도입되었고 어떤 영향을 미치는가?
• RQ4 풍자 탐지에서 나타난 경향과 이슈는 무엇이며, 데이터 라벨링 및 주석 신뢰성 포함?
• RQ5 공동 태스크는 어떤 것이 있으며 그것이 연구 분야의 현 상태를 무엇으로 보여주는가?

주요 결과

• Tweets가 풍자 탐지의 주요 데이터 형식이며, 긴 텍스트와 다른 데이터셋도 탐구되고 있다.
• 해시태그 기반 감독은 풍자 콘텐츠를 라벨링하는 데 널리 사용되었지만 품질 문제도 존재하며 다양한 데이터셋 간 검증이 일반적이다.
• 대상 텍스트를 넘는 맥락—작성자 이력, 대화 맥락, 주제 맥락—이 핵심 경향으로 부상했다.
• 규칙 기반에서 지도/준지도 방법으로의 전진, 패턴 발견을 핵심 기술로 삼는 것이 초기 작업의 특징이며, 최근 연구는 맥락 정보를 강조한다.
• 다양한 특징들(단일 단어, 감정 어휘, 패턴, 의미적 연관성, eye-tracking derived features)과 분류기(SVM, Naive Bayes, 로지스틱 회귀, 시퀀스 모델)가 탐구되었으며, 데이터와 작업에 따라 성능이 달랐다.
• Deep learning approaches are beginning to appear, leveraging word embeddings, user embeddings, and hybrid architectures