[논문 리뷰] Lexical-semantic resources: yet powerful resources for automatic personality classification

Xuan-Son Vu, Lucie Flek외 2명|arXiv (Cornell University)|2017. 11. 27.

Personality Traits and Psychology인용 수 6

한 줄 요약

이 논문은 전통적인 단어 n-gram 및 스타일 특징의 한계를 극복하기 위해 어휘-의미 자원—구체적으로, 의미 수준의 의미 분류 및 정서 탐지—을 활용하여 자동 성격 분류를 제안한다. WordNet과 정서 어휘집과 같은 자원으로부터 고수준의 의미 특징을 추출함으로써, 성격 전용 학습 데이터가 필요 없이도 최신 기법과 비슷한 성능을 달성한다.

ABSTRACT

In this paper, we aim to reveal the impact of lexical-semantic resources, used in particular for word sense disambiguation and sense-level semantic categorization, on automatic personality classification task. While stylistic features (e.g., part-of-speech counts) have been shown their power in this task, the impact of semantics beyond targeted word lists is relatively unexplored. We propose and extract three types of lexical-semantic features, which capture high-level concepts and emotions, overcoming the lexical gap of word n-grams. Our experimental results are comparable to state-of-the-art methods, while no personality-specific resources are required.

연구 동기 및 목표

• 기본적인 스타일 특징을 초월하여 어휘-의미 자원이 자동 성격 분류에 미치는 영향을 조사하는 것.
• 의미 수준의 의미 정보와 정서 정보를 통합하여 단어 n-gram 모델의 어휘 갭을 해소하는 것.
• 성격 전용 어휘나 애너테이션된 데이터셋에 의존하지 않고도 경쟁적인 성능을 달성하는 방법을 개발하는 것.
• 일반 목적의 어휘-의미 자원이 성격 관련 의미 패턴을 효과적으로 포착할 수 있음을 보여주는 것.

제안 방법

• 저자는 세 가지 유형의 어휘-의미 특징을 추출한다: WordNet을 이용한 의미 수준의 의미 분류, 정서 어휘집을 통한 정서 강도 점수, 그리고 어휘 자원 기반의 의미 유사도 특징.
• 의미 수준의 의미 표현을 가능하게 하기 위해, 문맥에서 단어의 가장 관련성이 높은 의미로 매핑하기 위해 의미의 의미 해석(Word Sense Disambiguation)을 적용한다.
• 정서 어휘집을 사용하여 텍스트의 정서적 내용을 정량화함으로써 성격 특성과 관련된 정서적 차원을 포착한다.
• 특징은 문서 수준에서 추출되며, 표준 기준 모델과 결합되어 성격 분류 성능을 평가한다.
• 이 방법은 도메인 전용 또는 성격 대상의 학습 데이터가 필요 없이 일반 목적의 어휘-의미 자원에만 의존한다.
• 실험은 표준 성격 분류 벤치마크에서 수행되며, 외장형 의미 자원만을 사용하여 최신 기법들과의 성능를 비교한다.

실험 결과

연구 질문

• RQ1 어휘-의미 자원이 전통적인 스타일 특징 및 n-gram 특징을 초월하여 자동 성격 분류에 얼마나 기여하는가?
• RQ2 의미 수준의 의미 분류와 정서 강도 특징이 성격 관련 정보를 얼마나 효과적으로 포착하는가?
• RQ3 일반 목적의 어휘-의미 자원이 성격 전용 학습 데이터나 어휘집 없이도 경쟁적인 성능를 달성할 수 있는가?
• RQ4 의미 분류와 정서적 내용 중 어느 것이 성격 특성 예측에 더 큰 기여를 하는가?

주요 결과

• 제안된 방법은 표준 성격 분류 벤치마크에서 최신 기법과 비슷한 성능를 달성한다.
• 의미 수준의 의미 특징을 통합함으로써 기존의 단어 n-gram 및 품사 태깅 특징보다 분류 정확도가 크게 향상된다.
• 정서 강도 특징은 신경질성 및 외향성과 같은 특성 예측에 의미 있게 기여한다.
• 성격 전용 어휘집이 전혀 필요 없이도 성능가 높게 작동함으로써 어휘-의미 자원의 일반화 능력을 입증한다.
• 의미 수준의 의미 해석은 의미 표현을 향상시켜 백오브워드 모델에서 발생하는 어휘 갭을 줄인다.
• 의미 분류 특징과 정서 특징의 조합이 가장 우수한 전체 성능를 보이며, 상호 보완적인 기여를 확인한다.