[논문 리뷰] Emotion Detection on TV Show Transcripts with Sequence-based Convolutional Neural Networks

Sayyed M. Zahiri, Jinho D. Choi|arXiv (Cornell University)|2017. 08. 14.

Sentiment Analysis and Opinion Mining참고 문헌 31인용 수 110

한 줄 요약

논문은 일곱 가지 미세 감정이 포함된 Friends 대화 기록의 새로운 감정 코퍼스를 도입하고, 대화의 흐름을 포착하기 위해 주의(attention)를 이용한 시퀀스 기반 CNN 모델을 제안하여 기본 CNN보다 성능을 향상시켰다.

ABSTRACT

While there have been significant advances in detecting emotions from speech and image recognition, emotion detection on text is still under-explored and remained as an active research field. This paper introduces a corpus for text-based emotion detection on multiparty dialogue as well as deep neural models that outperform the existing approaches for document classification. We first present a new corpus that provides annotation of seven emotions on consecutive utterances in dialogues extracted from the show, Friends. We then suggest four types of sequence-based convolutional neural network models with attention that leverage the sequence information encapsulated in dialogue. Our best model shows the accuracies of 37.9% and 54% for fine- and coarse-grained emotions, respectively. Given the difficulty of this task, this is promising.

연구 동기 및 목표

• TV 쇼 대본에서 다자 간 대화를 위한 크고 미세한 텍스트 감정 코퍼스 생성
• 주의(attention)를 활용한 발화 시퀀스를 결합하는 시퀀스 기반 CNN 모델 개발
• 코퍼스 분석 및 SCNN 모델과 기준선 간 비교 제공
• 주의(attention) 강화 SCNN 모델이 이 작업에서 표준 CNN보다 우수하다는 것을 보여줌

제안 방법

• Friends 대본에 7가지 감정(슬픔, 분노, 두려움, 강한, 평온, 기쁨, 중립)을 연속 발화에 걸쳐 주석
• 현재 발화 특징을 이전 발화와 연결(concatenation)하고 두 가지 변형(SCNN c, SCNN v)을 제시하여 시퀀스 기반 CNN 모델(SCNN) 구성
• 현재 발화를 예측할 때 과거 발화를 가중하기 위한 주의 메커니즘(SCNN c^a, SCNN v^a) 도입
• 단어 임베딩(Word2Vec, 200-d) 학습 및 시퀀스 융합을 위한 1-D 합성곱 CNN 특징 추출기 사용
• 에피소드의 훈련/개발/테스트 분할에서 SCNN 변형을 CNN, RNN-CNN 기준선과 비교

실험 결과

연구 질문

• RQ1 TV 대본의 다자 간 대화에서 텍스트만으로 시퀀스 인식 신경망이 감정을 정확히 감지할 수 있는가
• RQ2 주의(attention)를 적용한 시퀀스 기반 CNN이 표준 CNN 및 RNN 기반 모델보다 우수한가
• RQ3 연속 발화를 사용하는 것이 대화 데이터의 감정 인식 성능에 미치는 영향은 무엇인가

주요 결과

• 가장 좋은 모델(SCNN_c^a)은 7-클래스 Emotion 분류에서 37.90% 정확도와 54.00% 매크로 F1, 3-클래스(대략) 평가에서 39.25% 매크로 F1을 달성
• SCNN 변형들이 평가 지표에서 기본 CNN 및 RNN-CNN 기준선보다 우수
• 주 의 메커니즘이 비-주의 SCNN 모델 대비 이점을 제공하며, SCNN_c^a가 최다 점수를 기록
• 앞선 발화 수가 3~5개일 때 가장 성능이 좋고, 더 긴 맥락은 길어지는 장면에서 수익 감소를 보임