[논문 리뷰] Emotionally-Aware Chatbots: A Survey

Endang Wahyu Pamungkas|arXiv (Cornell University)|2019. 06. 24.

Sentiment Analysis and Opinion Mining참고 문헌 53인용 수 35

한 줄 요약

감정 인지 대화 로봇(EAC)의 체계적 고찰로, 규칙 기반에서 신경망 접근법까지의 역사를 추적하고, 아키텍처, 데이터셋, 리소스, 평가 방법, 그리고 향후 방향을 개괄합니다.

ABSTRACT

Textual conversational agent or chatbots' development gather tremendous traction from both academia and industries in recent years. Nowadays, chatbots are widely used as an agent to communicate with a human in some services such as booking assistant, customer service, and also a personal partner. The biggest challenge in building chatbot is to build a humanizing machine to improve user engagement. Some studies show that emotion is an important aspect to humanize machine, including chatbot. In this paper, we will provide a systematic review of approaches in building an emotionally-aware chatbot (EAC). As far as our knowledge, there is still no work focusing on this area. We propose three research question regarding EAC studies. We start with the history and evolution of EAC, then several approaches to build EAC by previous studies, and some available resources in building EAC. Based on our investigation, we found that in the early development, EAC exploits a simple rule-based approach while now most of EAC use neural-based approach. We also notice that most of EAC contain emotion classifier in their architecture, which utilize several available affective resources. We also predict that the development of EAC will continue to gain more and more attention from scholars, noted by some recent studies propose new datasets for building EAC in various languages.

연구 동기 및 목표

• 감정으로 챗봇을 인간화하여 사용자 참여를 높이려는 동기를 설명합니다.
• 감정적으로 인식 가능한 챗봇을 구축하기 위해 역사적 진화와 주요 접근 방식을 조사합니다.
• 챗봇의 감정 이해를 위한 사용 가능한 데이터셋과 affective 자원을 식별합니다.
• 감정 인식 대화 시스템의 성능을 평가하는 방법론(정성적 및 정량적)을 검토합니다.
• 다국어 및 맥락 개선을 포함한 도전과 미래 방향을 논의합니다.

제안 방법

• Rule-based 시작에서 신경 기반 모델에 이르는 EAC에 대한 선행 연구를 검토하고 종합합니다.
• 인코더-디코더 seq2seq 모델과 감정 신호를 강조하는 아키텍처 패턴을 요약합니다.
• 영어/중국어를 중심으로 한 언어 노트를 포함하여 이용 가능한 감정 데이터셋과 정서 어휘 자원을 카탈로그합니다.
• 감정 분류기가 EAC에 통합되어 응답 생성에서의 역할을 설명합니다.
• ISO 9241의 측면과 EAC 연구에서 사용되는 자동/수동 지표를 포함한 평가 프레임워크를 개요합니다.
• EAC 연구의 동향과 향후 방향을 강조합니다.

실험 결과

연구 질문

• RQ1 RQ1 감정 정보를 어떻게 반영하여 감정 인식 챗봇을 구축할 수 있는가?
• RQ2 RQ2 감정 인식 챗봇 구축에 사용할 수 있는 리소스는 무엇이 있는가?
• RQ3 RQ3 감정 인식 챗봇의 성능은 어떻게 평가하는가?

주요 결과

• 감정성은 규칙 기반에서 신경 기반 접근으로 전환되었고, 인코더-디코더 아키텍처가 지배적으로 되었다.
• 대부분의 감정 인식 챗봇은 응답 생성을 안내하기 위해 사용자 감정을 감지하는 감정 분류기를 도입한다.
• EAC에 사용 가능한 데이터셋은 주로 영어 또는 중국어이며 소셜 미디어, 온라인 콘텐츠 또는 크라우드소싱에서 수집된다.
• 정서 자원(사전 어휘)으로 LIWC, ANEW, DepecheMood, EmoWordNet 등이 감정 분류에 널리 사용된다.
• EAC의 평가에는 질적 방법(사용성, ISO 9241) 및 정량적 방법(자동 지표인 perplexity, precision/recall, BLEU, 및 인간의 주관적 판단)을 포함한다.
• 향후 연구는 다국어 커버리지를 확장하고 맥락 인식과 더 미세한 감정 능력을 개발할 것으로 예상된다.