[논문 리뷰] Exploiting Social Network Structure for Person-to-Person Sentiment Analysis

Robert West, Hristo S. Paskov외 2명|arXiv (Cornell University)|2014. 09. 08.

Topic Modeling인용 수 7

한 줄 요약

이 논문은 개인 간 감성 예측을 더 정확히 하기 위해 부호화된 소셜 네트워크 구조와 텍스트 감성 분석을 통합하는 공동 그래픽 모델을 제안한다. 이는 단독으로 사용할 경우보다 성능이 뛰어나며, 허프만 손실 마르코프 무작위 필드(HLMRF)로 문제를 설정함으로써 언어적 신호와 사회적 맥락을 효율적으로 통합한다. 두 가지 다양한 데이터셋인 위키백과 관리자 지명 요청과 미국 의회 연설 자료에서 텍스트 전용 또는 네트워크 전용 기준보다 뚜렷한 성능 향상을 보였다.

ABSTRACT

Person-to-person evaluations are prevalent in all kinds of discourse and important for establishing reputations, building social bonds, and shaping public opinion. Such evaluations can be analyzed separately using signed social networks and textual sentiment analysis, but this misses the rich interactions between language and social context. To capture such interactions, we develop a model that predicts individual A's opinion of individual B by synthesizing information from the signed social network in which A and B are embedded with sentiment analysis of the evaluative texts relating A to B. We prove that this problem is NP-hard but can be relaxed to an efficiently solvable hinge-loss Markov random field, and we show that this implementation outperforms text-only and network-only versions in two very different datasets involving community-level decision-making: the Wikipedia Requests for Adminship corpus and the Convote U.S. Congressional speech corpus.

연구 동기 및 목표

• 고립된 감성 분석과 부호화된 네트워크 분석의 한계를 해결하기 위해 개인 간 평가에서 언어적 신호와 사회적 맥락 간의 상호작용를 포착하지 못하는 문제를 해결한다.
• 텍스트 감성 신호와 부호화된 소셜 네트워크의 구조적 제약 조건을 함께 통합하여 감성 극성(긍정/부정)을 공동으로 추론하는 통합 모델을 개발한다.
• 실제 환경에서 텍스트나 네트워크 데이터 중 하나가 희박하거나 노이즈가 많을 경우에도 공동 모델링이 예측 성능을 향상시킬 수 있음을 입증한다.
• 강한 텍스트 신호와 약한 네트워크, 또는 강한 네트워크와 약한 텍스트 등의 다양한 데이터 조건에 효과적으로 적응할 수 있도록, 데이터 기반으로 최적의 신호 융합 방식을 학습할 수 있도록 한다.

제안 방법

• 모델은 공동 추론 문제를 NP-완전 문제에서 효율적으로 해결 가능한 형태로 완화하기 위해 허프만 손실 마르코프 무작위 필드(HLMRF)를 사용한다.
• 두 가지 증거를 통합한다: (1) 개인 A가 개인 B에 대해 평가한 텍스트 기반 감성 점수, (2) 특히 삼각형 균형과 지위 이론을 포함한 부호화된 소셜 네트워크 내 구조적 패턴.
• 모델은 사회 네트워크 내 개인 간 방향성 있는 간선의 감성 극성(긍정/부정)을 예측하기 위해 엔드 투 엔드로 훈련된다.
• 이중 수준의 스핀 거친 문제에서의 감소는 원래 문제의 NP-완전성을 증명하며, HLMRF를 통한 완화의 타당성을 뒷받침한다.
• 프레임워크는 적응형으로 설계되어 데이터 특성에 따라 감성 신호와 네트워크 신호의 가중치를 학습하여 조절한다.

실험 결과

연구 질문

• RQ1 텍스트 감성과 부호화된 네트워크 구조를 융합하면, 각각을 별도로 사용할 경우보다 개인 간 감성 예측 성능을 향상시킬 수 있는가?
• RQ2 한 모odal(텍스트 또는 네트워크)이 희박하거나 노이즈가 많고 다른 모달이 더 신뢰할 수 있을 경우, 모델의 성능은 어떻게 되는가?
• RQ3 균형과 지위 이론과 같은 사회적 네트워크 패턴이 텍스트 감성의 모호성을 해결하는 데 어느 정도 기여하는가?
• RQ4 공동 모델은 위키백과나 의회 연설 자료와 같은 다양한 실제 환경에서 신호를 적응적으로 융합할 수 있는가?

주요 결과

• 텍스트 감성은 강하지만 네트워크 구조가 희박한 위키백과 관리자 지명 요청 코퍼스에서, 공동 모델은 텍스트 전용 및 네트워크 전용 기준보다 뚜렷한 성능 향상을 보였다.
• 네트워크 구조는 완전히 관측되지만 텍스트 감성은 간접적이고 노이즈가 많은 컨보트 미국 의회 연설 코퍼스에서는 공동 모델이 다시 한번 뛰어난 성능을 기록했다.
• 정밀도가 높은 재현율 수준에서도 공동 모델은 네트워크 전용 모델보다 뛰어나며, 삼각형 기반 추론의 불확실성으로 인해 재현율 20%를 초과할 경우 정밀도가 급격히 떨어지는 네트워크 전용 모델과 대비된다.
• 네트워크 증거가 불완전할 경우 감성 신호를 효과적으로 활용하여 예측을 안정화시키며, 간선 레이블의 희박성에 대해서도 강건함을 입증했다.
• 모델의 적응성 덕분에 신뢰도를 사전에 알지 못하더라도 다양한 데이터 환경에서 최적의 융합 가중치를 데이터 기반으로 학습하여 효과적인 성능을 발휘한다.