[论文解读] Colourful Language: Measuring Word-Colour Associations

Saif M. Mohammad|arXiv (Cornell University)|Sep 20, 2013

Categorization, perception, and language参考文献 28被引用 38

一句话总结

本文提出了一项大规模、众包的词-颜色关联词典，表明抽象概念和情感与特定颜色存在强烈关联（例如，危险与红色，喜悦与黄色）。通过文本中的共现和极性线索，作者开发了一种自动方法，预测最相关颜色的准确率达到60.1%，显著优于随机基线（9.1%）和有监督基线（33.3%）。

ABSTRACT

Since many real-world concepts are associated with colour, for example danger with red, linguistic information is often complimented with the use of appropriate colours in information visualization and product marketing. Yet, there is no comprehensive resource that captures concept-colour associations. We present a method to create a large word-colour association lexicon by crowdsourcing. We focus especially on abstract concepts and emotions to show that even though they cannot be physically visualized, they too tend to have strong colour associations. Finally, we show how word-colour associations manifest themselves in language, and quantify usefulness of co-occurrence and polarity cues in automatically detecting colour associations.

研究动机与目标

• 使用众包方法并辅以质量控制，创建一个全面且公开可用的词-颜色关联词典。
• 探究尽管缺乏物理形态，抽象概念和情感是否仍具有强烈且一致的颜色关联。
• 量化词语-颜色关联在语言数据中的表现形式，例如文本中的共现以及WordNet中的语义相似性。
• 开发并评估一种仅使用共现和极性线索的自动方法，以预测词语-颜色关联，而无需标注训练数据。

提出的方法

• 使用词语选择问题进行众包数据收集，以引导标注者选择目标词语意义，并识别恶意贡献者。
• 在关联标注中使用一组受控的11种颜色术语（白色、黑色、红色、绿色、蓝色、黄色、粉色、橙色、棕色、灰色、紫色）。
• 通过将词语选择问题作为黄金标准验证，实施质量控制以筛选不可靠的标注者。
• 通过标注者之间的共识程度来测量关联强度，以识别强关联的词语-颜色配对。
• 使用三个语料库（BNC、GNC 和 GBC）中的共现频率评估词语-颜色关联（使用5元语法文件和4词上下文窗口）。
• 将共现与来自Macquarie语义倾向词典（MSOL）的极性线索结合，根据词语类别的极性（正面或负面）选择对应的正或负颜色集合。

实验结果

研究问题

• RQ1 抽象概念和情感在多大程度上具有强烈且一致的颜色关联？
• RQ2 词语-颜色关联在语言数据中如何体现，例如文本中的共现或WordNet中的语义相似性？
• RQ3 仅依靠共现和极性线索，能否在不依赖标注数据的情况下高准确率预测词语的最关联颜色？
• RQ4 不同语言语料库中颜色关联的频率分布，与已知的颜色术语层级结构（如Berlin & Kay）相比如何？

主要发现

• 在1,000个词语中，超过32%的词语，以及在177个Macquarie同义词典类别中，超过33%的类别，与11种测试颜色中的某一种存在强烈关联。
• 抽象概念和情感与颜色的关联频率几乎与物理实体相当，例如‘愤怒’强烈关联红色，‘喜悦’关联黄色。
• 文本中共现是比WordNet相似性更强的词语-颜色关联指标，GBC语料库中仅使用共现的预测准确率达到38.3%。
• 结合极性线索（正面/负面词语类别）后，GBC语料库中的预测准确率提升至60.1%，显著优于仅使用共现（38.3%）和基线方法。
• BNC、GNC 和 GBC 语料库中颜色关联的频率排名与Berlin和Kay提出的通用基本颜色术语层级高度一致。
• 基于共现和极性的自动方法在GBC语料库中达到60.1%的准确率，显著超过随机基线（9.1%）和有监督基线（33.3%）。