[논문 리뷰] Discovering Basic Emotion Sets via Semantic Clustering on a Twitter Corpus

Eugene Yuta Bann|arXiv (Cornell University)|2012. 12. 28.

Sentiment Analysis and Opinion Mining참고 문헌 62인용 수 3

한 줄 요약

이 논문은 트위터 코퍼스에서 의미적 군집화를 적용하여 기본 감정 집합을 데이터 기반으로 탐색하는 방법을 제안한다. Latent Semantic Clustering(LSC)를 사용해 감정 용어의 의미적 독립성(semantic distinctiveness)을 평가하며, 에크먼의 고전적 집합보다 더 의미적으로 뚜렷한 새로운 감정 집합—수용하는, 부끄러운, 경멸하는, 관심 있는, 기쁨을 느끼는, 만족하는, 졸린, 스트레스를 느끼는—을 규명하였다. 이 집합은 에크먼의 집합 대비 6.1% 높은 독립성을 보였다.

ABSTRACT

A plethora of words are used to describe the spectrum of human emotions, but how many emotions are there really, and how do they interact? Over the past few decades, several theories of emotion have been proposed, each based around the existence of a set of 'basic emotions', and each supported by an extensive variety of research including studies in facial expression, ethology, neurology and physiology. Here we present research based on a theory that people transmit their understanding of emotions through the language they use surrounding emotion keywords. Using a labelled corpus of over 21,000 tweets, six of the basic emotion sets proposed in existing literature were analysed using Latent Semantic Clustering (LSC), evaluating the distinctiveness of the semantic meaning attached to the emotional label. We hypothesise that the more distinct the language is used to express a certain emotion, then the more distinct the perception (including proprioception) of that emotion is, and thus more 'basic'. This allows us to select the dimensions best representing the entire spectrum of emotion. We find that Ekman's set, arguably the most frequently used for classifying emotions, is in fact the most semantically distinct overall. Next, taking all analysed (that is, previously proposed) emotion terms into account, we determine the optimal semantically irreducible basic emotion set using an iterative LSC algorithm. Our newly-derived set (Accepting, Ashamed, Contempt, Interested, Joyful, Pleased, Sleepy, Stressed) generates a 6.1% increase in distinctiveness over Ekman's set (Angry, Disgusted, Joyful, Sad, Scared). We also demonstrate how using LSC data can help visualise emotions. We introduce the concept of an Emotion Profile and briefly analyse compound emotions both visually and mathematically.

연구 동기 및 목표

• 소셜 미디어에서 감정 키워드 주변의 언어 사용을 분석하여 가장 의미적으로 독립적인 감정 집합을 규명하기 위해.
• 자연어 데이터를 통해 의미적 독립성을 측정하여 기존 감정 이론의 심리학적 타당성을 평가하기 위해.
• 실제 언어 데이터에 기반한 반복 군집화를 통해 의미적으로 더 이상 분해되지 않는 기본 감정 집합을 탐색하는 방법을 개발하기 위해.
• 감정 프로파일링과 다차원 척도법을 활용해 감정 상태를 시각화하고 복합 감정을 분석할 수 있도록 하기 위해.
• 실시간 감정 분석을 통해 임상 심리학, 감정 공학, 경제 예측 등 다양한 분야의 적용 가능성을 탐색하기 위해.

제안 방법

• 감정 키워드와 필터링된 어휘를 사용해 21,000건 이상의 레이블링된 트위터 코퍼스를 구축하였다.
• 감정 용어 간 의미 유사도를 분석하기 위해 벡터 표현의 코사인 유사도를 사용해 잠재의미 군집화(Latent Semantic Clustering, LSC)를 적용하였다.
• 감정어의 동시출현 행렬에서 잠재의미 구조를 추출하기 위해 부분적 특이값 분해(Partial Singular Value Decomposition, SVD)를 사용해 차원을 감소시켰다.
• 의미적 독립성을 극대화하는 방식으로 반복적인 LSC 알고리즘을 구현하여 의미적으로 더 이상 분해되지 않는 최적의 감정 집합을 도출하였다.
• 다차원 척도법을 활용해 감정 상태와 복합 감정을 의미 공간에서 시각화할 수 있는 '감정 프로파일' 모델을 개발하였다.
• 지리적 상대성 테스트를 통해 결과를 검증하였으며, LSC 출력 결과를 에크먼과 플루치크의 기존 감정 모델과 비교하였다.

실험 결과

연구 질문

• RQ1 트위터에서 자연어 사용 상황에서 기존 감정 집합 중 어느 것이 가장 높은 의미적 독립성을 보이는가?
• RQ2 실제 언어 표현의 데이터 기반 군집화를 통해 더 의미적으로 더 분해되지 않는 새로운 기본 감정 집합을 발견할 수 있는가?
• RQ3 감정 관련 언어의 의미적 군집화는 어떻게 복합 감정 상태를 시각화하고 수학적으로 모델링하는 데 활용될 수 있는가?
• RQ4 감정 용어의 의미적 독립성은 그들의 심리적 독립성 인식과 어느 정도 상관관계를 가지는가?
• RQ5 LSC 기반 감정 분석은 공공의 감정 표현에서 광고 편향 등과 같은 편향을 탐지할 수 있는가? (비공개 감정 언어와 비교하여)

주요 결과

• 에크먼의 고전적 감정 집합(분노, 혐오, 기쁨, 슬픔, 두려움)은 시험한 여섯 개의 감정 집합 중에서 가장 의미적으로 독립적인 것으로 밝혀졌다.
• 최근에 유도된 감정 집합—수용하는, 부끄러운, 경멸하는, 관심 있는, 기쁨을 느끼는, 만족하는, 졸린, 스트레스를 느끼는—은 에크먼의 집합 대비 6.1% 높은 의미적 독립성을 확보하였다.
• LSC 알고리즘이 의미적으로 더 이상 분해되지 않는 8개 감정 집합을 성공적으로 규명하였으며, 이는 인간 감정 경험의 전반적인 스펙트럼을 더 잘 반영한다.
• 다차원 척도법을 통해 생성된 감정 프로파일은 개인적 감정 상태뿐 아니라 복합 감정 상태(예: '우울한', '죄책감을 느끼는')도 효과적으로 시각화하였다.
• 기본 감정의 조합(예: 기쁨 + 두려움)이 '우울한'과 같은 복합 감정 상태와 측정 가능한 유사성을 보이며, 감정 혼합의 수학적 모델링 가능성을 뒷받침하였다.
• 사회 미디어 언어의 의미 군집화가 임상 평가 및 경제 예측 등에 응용 가능한 감정 표현 패턴을 탐지할 수 있음을 입증하였다.