[논문 리뷰] Emotion Detection in Text: a Review

Armin Seyeditabari, Narges Tabari외 1명|arXiv (Cornell University)|2018. 06. 02.

Sentiment Analysis and Opinion Mining참고 문헌 50인용 수 63

한 줄 요약

텍스트에서의 감정 탐지에 대한 포괄적 조사로, 심리학적 모델, 언어학적 복잡성, 데이터 자원, 그리고 감독/비감독 방법론을 개관하고 도전과 향후 방향을 강조한다.

ABSTRACT

In recent years, emotion detection in text has become more popular due to its vast potential applications in marketing, political science, psychology, human-computer interaction, artificial intelligence, etc. Access to a huge amount of textual data, especially opinionated and self-expression text also played a special role to bring attention to this field. In this paper, we review the work that has been done in identifying emotion expressions in text and argue that although many techniques, methodologies, and models have been created to detect emotion in text, there are various reasons that make these methods insufficient. Although, there is an essential need to improve the design and architecture of current systems, factors such as the complexity of human emotions, and the use of implicit and metaphorical language in expressing it, lead us to think that just re-purposing standard methodologies will not be enough to capture these complexities, and it is important to pay attention to the linguistic intricacies of emotion expression.

연구 동기 및 목표

• 텍스트 분석에 사용되는 심리학적 감정 모델(이산적 vs 차원적).
• 언어학적 복잡성(명시적 표현 vs 암시적 표현, 은유, 맥락, 문화).
• 데이터 자원(레이블된 데이터셋, 감정 어휘사전, 임베딩) 및 모델 개발에 미치는 영향.
• 감정 탐지에 대한 감독/비감독 방법론 요약 및 현재의 한계와 개선점 논의.

제안 방법

• 심리학 기반 감정 모델(Ekman, Plutchik, Circumplex) 및 이산적 대 차원적 접근 방식.
• 감정 표현의 언어학적 도전 과제 설명(암시적 표현, 은유, 맥락, 교차문화적 차이).
• 자원 카탈로그: 레이블된 텍스트(ISEAR, SemEval, 동화 데이터셋), 감정 어휘사전(NRC, WordNet-Affect, LIWC, ANEW), 및 단어 임베딩(Word2Vec, GloVe, retrofitting).
• 마이크로블로그 데이터(해시태그/이모티콘)와 특징 세트(n-그램, 어휘사전, POS, 의존 구문 분석), 클래스 불균형 처리 등 감독적 접근 방법.
• 비감독적 접근 방식(NMF, LSA/PLSA, PMI 기반 방법) 및 규칙 기반/어휘 보조 방법 요약.
• 데이터 품질/양, 암시적 표현, 은유적 언어, 맥락, 그리고 언어학적으로 유의미한 모델의 필요성과 같은 개방 문제를 강조.

실험 결과

연구 질문

• RQ1 텍스트에서의 이산적 대 차원적 측면을 가장 잘 포착하는 모델은 무엇인가?
• RQ2 언어학적 복잡성(암시적 표현, 은유, 맥락)이 감정 탐지 성능에 어떤 영향을 미치는가?
• RQ3 어떤 데이터 자원과 임베딩이 감정 탐지 모델을 가장 효과적으로 지원하는가?
• RQ4 감독적 방법과 비감독적 방법은 어떻게 비교되며 실제로 어떤 한계가 있는가?
• RQ5 텍스트 기반 감정 탐지의 주요 개방 문제와 향후 연구 방향은 무엇인가?

주요 결과

• 감정 탐지는 다중 클래스 라벨링, 암시적 표현, 언어학적 복잡성으로 인해 감정 분석보다 더 어렵다.
• 감정 라벨링 데이터셋은 드물며 연구자들은 소음이 있는 라벨(해시태그, 이모티콘)과 기존의 감정 어휘사전에 의존한다.
• 단어 임베딩과 어휘사전은 성능을 향상시킬 수 있지만 맥락과 은유적 언어가 단순 어휘적 접근의 효과를 제한한다.
• 감독적 방법은 종종 클래스 불균형과 도메인/데이터 수집 문제를 겪는다; 일반상식 지식과 고급 표현은 경쟁력 있는 결과를 낼 수 있다.
• 비감독적 방법(예: 행렬 분해, PMI 기반 방법)은 의미 있는 성능을 달성할 수 있으며 특정 설정에서 때때로 감독적 방법에 근접한다.
• 전반적으로 강력한 감정 탐지는 암시적 감정, 맥락, 교차문화적 변이성을 다루는 언어학적으로 정보를 갖춘 모델이 필요하다.