[논문 리뷰] Cross-Platform Emoji Interpretation: Analysis, a Solution, and Applications

Fred Morstatter, Kai Shu외 2명|arXiv (Cornell University)|2017. 09. 14.

Digital Communication and Language참고 문헌 19인용 수 12

한 줄 요약

이 논문은 동일한 이모티콘을 서로 다른 플랫폼(예: Windows, iOS, Android)에서 다르게 렌더링함으로써 발생하는 플랫폼 간 이모티콘 오해를 조사한다. 이로 인해 소셜 미디어 데이터에서 감성 해석이 충돌하게 된다. 본 연구는 단어 임베딩을 활용한 플랫폼 인식 기반 이모티콘 매핑 기법을 제안하여 다양한 플랫폼 간 이모티콘 표현을 정렬함으로써 감성 분석 성능을 크게 향상시키며, 플랫폼 특화된 노이즈를 감소시킨다.

ABSTRACT

Most social media platforms are largely based on text, and users often write posts to describe where they are, what they are seeing, and how they are feeling. Because written text lacks the emotional cues of spoken and face-to-face dialogue, ambiguities are common in written language. This problem is exacerbated in the short, informal nature of many social media posts. To bypass this issue, a suite of special characters called "emojis," which are small pictograms, are embedded within the text. Many emojis are small depictions of facial expressions designed to help disambiguate the emotional meaning of the text. However, a new ambiguity arises in the way that emojis are rendered. Every platform (Windows, Mac, and Android, to name a few) renders emojis according to their own style. In fact, it has been shown that some emojis can be rendered so differently that they look "happy" on some platforms, and "sad" on others. In this work, we use real-world data to verify the existence of this problem. We verify that the usage of the same emoji can be significantly different across platforms, with some emojis exhibiting different sentiment polarities on different platforms. We propose a solution to identify the intended emoji based on the platform-specific nature of the emoji used by the author of a social media post. We apply our solution to sentiment analysis, a task that can benefit from the emoji calibration technique we use in this work. We conduct experiments to evaluate the effectiveness of the mapping in this task.

연구 동기 및 목표

• 실제 소셜 미디어 데이터에서 플랫폼 특화 렌더링로 인한 이모티콘 오해가 발생하는지 조사하는 것.
• Twitter, Windows, iOS, Android와 같은 주요 플랫폼 간 이모티콘 오해의 규모를 정량화하는 것.
• 단어 임베딩을 활용해 이모티콘 표현을 플랫폼 간 정렬하는 매핑 기법을 개발하는 것.
• 플랫폼 특화 이모티콘 렌더링을 보정함으로써 감성 분석 작업 성능 향상 여부를 평가하는 것.

제안 방법

• 저자들은 트윗 소스 메타데이터를 활용해 원본 플랫폼을 식별하고 이모티콘 사용 패턴을 추출하기 위해 실제 트위터 데이터를 분석한다.
• 단어 임베딩 모델을 적용하여 주변 텍스트와의 공출현 패턴을 기반으로 이모티콘의 의미적 표현을 학습함으로써 플랫폼 간 정렬을 가능하게 한다.
• 임베딩 공간에서 코사인 유사도를 사용해 한 플랫폼의 이모티콘을 다른 플랫폼의 가장 유사한 이모티콘으로 매핑하는 함수를 학습한다.
• 제안된 이모티콘 매핑은 감성 분석에 적용되며, 분류 이전에 트윗을 공통 이모티콘 어휘로 재매핑함으로써 평가된다.
• 유의성은 '매핑 적용'과 '매핑 미적용' 설정 간 감성 예측 성능을 비교한 대응 t-검정을 통해 평가된다.

실험 결과

연구 질문

• RQ1 RQ1: 실세계 소셜 미디어 데이터에서 이모티콘 렌더링에 기반한 오해가 발생하는가?
• RQ2 RQ2: 주요 플랫폼 간 이 오해의 규모는 어떠한가?
• RQ3 RQ3: 플랫폼 간 이모티콘 해석 문제는 어떻게 해결할 수 있는가?
• RQ4 RQ4: 이모티콘 오해를 보정함으로써 감성 분석에 의미 있는 영향을 미치는가?

주요 결과

• 8.627%의 트윗이 플랫폼 간 통계적으로 유의미한 감성 극성 차이를 보이는 이모티콘을 포함하고 있어 광범위한 오해가 발생하고 있음을 시사한다.
• 제안된 이모티콘 매핑은 감성 분석 정확도를 뚜렷이 향상시키며, 대부분의 플랫폼 간 매핑에서 p-값이 1e-8 이하로 나타나 높은 통계적 유의성을 보여준다.
• 모든 플랫폼 조합에서 F1 점수가 향상되었으며, 특히 Twitter → Windows 및 Android → iOS 매핑에서 가장 두드러진 개선이 관찰되었다.
• t-검정 결과, '매핑' 설계는 '매핑 없음' 및 '이모티콘 없음' 기준보다 일관되게 뛰어난 성능을 보였으며, p-값 범위는 1e-9에서 0.094까지 다양하여 향상의 견고성을 확인한다.
• 본 연구는 플랫폼 특화 이모티콘 렌더링이 감성 해석의 일관성 없음을 확인하였으며, 동일한 이모티콘이 한 플랫폼에선 긍정적으로, 다른 플랫폼에선 부정적으로 인식된다는 점을 입증한다.
• 저자들은 이모티콘 매핑 데이터와 성능 지표를 공개하여 재현 가능성과 향후 플랫폼 간 이모티콘 이해 연구를 지원한다.