[논문 리뷰] Convolutional Neural Network for Humor Recognition.

Lei Chen, Chongmin Lee|arXiv (Cornell University)|2017. 02. 08.

Humor Studies and ApplicationsPsychology인용 수 19

한 줄 요약

이 논문은 새로 제작된 공개적이고 다양한 TED 강연 코퍼스를 사용하여 청각적 발화에서 자동으로 유머를 인식하기 위한 컨볼루션 신경망(CNN) 기반 접근법을 제안한다. CNN은 전통적인 언어적 특징 기반 방법보다 높은 정확도를 달성하며 원시 텍스트에서 관련 유머 신호를 자동으로 학습한다.

ABSTRACT

For the purpose of automatically evaluating speakers' humor usage, we build a presentation corpus containing humorous utterances based on TED talks. Compared to previous data resources supporting humor recognition research, ours has several advantages, including (a) both positive and negative instances coming from a homogeneous data set, (b) containing a large number of speakers, and (c) being open. Focusing on using lexical cues for humor recognition, we systematically compare a newly emerging text classification method based on Convolutional Neural Networks (CNNs) with a well-established conventional method using linguistic knowledge. The CNN method shows its advantages on both higher recognition accuracies and being able to learn essential features automatically.

연구 동기 및 목표

• 말하는 발표에서 유머 사용을 평가하는 자동화된 방법을 개발하기 위해.
• 기존 연구에서 부족한 균형 잡힌, 다양한, 오픈소스 유머 데이터셋의 부족을 해결하기 위해.
• 유머 인식을 위한 딥러닝(CNN) 기반 방법과 전통적인 언어적 특징 기반 접근법을 비교하기 위해.
• CNN이 수동적인 특징 설계 없이도 원시 텍스트에서 효과적인 유머 특징을 직접 학습할 수 있는지 조사하기 위해.

제안 방법

• 저자들은 다양한 연설가들로부터 유머 있는 발화와 비유머 발화를 포함한 새로운 발표 코퍼스를 TED 강연에서 구축했다.
• 이 코퍼스는 균형 잡히고 동질적이며 공개적으로 이용 가능한 방식으로 설계되어 재현 가능한 연구를 지원한다.
• 원시 텍스트 시퀀스를 기반으로 CNN 모델을 훈련시켜 발화를 유머인지 아닌지로 분류하며, 단어 임베딩을 입력으로 사용한다.
• 입력 문장 전반에 걸쳐 局소 n-그램 패턴을 캡처하기 위해 다수의 필터 크기를 사용한다.
• 특징 맵에 대해 최대 풀링을 적용하여 가장 두드러진 표현을 추출한다.
• CNN의 성능은 수동으로 설계된 언어적 특징(예: 어휘적 및 문법적 신호)에 의존하는 전통적 방법과 비교된다.

실험 결과

연구 질문

• RQ1 CNN 기반 모델은 기존의 언어적 특징 기반 방법보다 더 높은 유머 인식 정확도를 달성할 수 있는가?
• RQ2 CNN 모델은 명시적인 특징 설계 없이도 원시 텍스트에서 유머 관련 특징을 효과적으로 직접 학습할 수 있는가?
• RQ3 다양하고 연설가가 균형 잡힌, 공개된 코퍼스로 훈련된 경우 CNN 모델의 성능은 어떻게 되는가?
• RQ4 CNN은 자연스러운 말하기 언어에서 다양한 연설가들과 말하기 스타일 간에 얼마나 일반화될 수 있는가?

주요 결과

• CNN 기반 방법은 기존의 언어적 특징 기반 접근법보다 더 높은 유머 인식 정확도를 달성했다.
• CNN 모델은 수동적인 특징 설계에 의존하지 않고 원시 텍스트에서 핵심적인 유머 관련 특징을 자동으로 학습할 수 있는 능력을 보였다.
• 제안된 코퍼스는 균형 잡히고 다양하며 공개 가능한 자원으로서 유머 인식 시스템의 훈련과 평가에 적합하다.
• 양성 및 음성 예측 모두를 포함한 동질적인 데이터 소스의 사용은 모델의 일반화 능력과 신뢰도를 향상시켰다.