[논문 리뷰] Emotion Detection from Text

Umang Gupta, Ankush Chatterjee외 2명|arXiv (Cornell University)|2017. 07. 21.

Sentiment Analysis and Opinion Mining참고 문헌 30인용 수 5

한 줄 요약

이 논문은 반자동 데이터 수집 및 최적화된 워드 임베딩을 사용하여 텍스트에서 기쁨과 슬픔과 같은 감정을 감지하기 위한 LSTM 기반 딥러닝 모델을 제안한다. 실제 트위터 데이터에서 평가한 결과, 기존의 전통적 기계학습 및 즉시 사용 가능한 딥러닝 기준 모델보다 유의하게 뛰어난 성능을 보였다.

ABSTRACT

Emotions are perceptions of changes in the human body such as heart rate, breathing rate, perspiration, and hormone levels. These conscious experiences are complex and studied extensively in different fields including computer science. Lack of facial expressions and voice modulations make detecting emotions from text a challenging problem. However, as humans are moving towards a digital era, with increasing mobile communication systems, it is essential that these digital agents are emotion aware, and respond accordingly. In this paper, we propose a novel approach to detect emotions like happy or sad in texts using an LSTM based Deep Learning model. Our approach consists of semi-automated techniques to gather training data for our model. We experiment with different embeddings and propose a solution using the best embedding for the task. Our work is evaluated on real-world tweets and significantly outperforms traditional Machine Learning baselines as well as other off-the-shelf Deep Learning models.

연구 동기 및 목표

• 얼굴 표정이나 음성 톤이 부재함으로써 정확한 감정 인식이 어려운 텍스트에서 감정을 탐지하는 데 도전하는 것.
• 특히 소셜미디어 환경에서 디지털 텍스트 내의 미묘한 정서 상태를 이해할 수 있는 딥러닝 모델을 개발하는 것.
• 학습 데이터 수집을 위한 반자동 기법과 최적의 워드 임베딩 선택을 통해 감정 감지 성능을 향상시키는 것.
• 실제 트위터 데이터에 대해 제안된 모델을 기존의 전통적 기계학습 및 즉시 사용 가능한 딥러닝 모델과 비교 평가하는 것.

제안 방법

• 감정 분류를 위해 텍스트의 순차적 의존성을 모델링하기 위해 장기 단기 기억망(LSTM)을 사용하는 것.
• 감정 감지 작업을 위한 학습 데이터 수집 및 레이블링을 위해 반자동 기법을 사용하는 것.
• 감정 감지에 가장 효과적인 표현을 식별하기 위해 다양한 사전 학습된 워드 임베딩을 실험하는 것.
• 성능이 가장 뛰어난 임베딩을 사용하여 모델을 최적화하여 텍스트 시퀀스의 분류 정확도를 향상시키는 것.
• 실제 트위터 데이터 세트를 사용해 모델을 훈련하고 평가하여 실용성과 강건성을 확보하는 것.
• 기존의 전통적 기계학습 기준 모델 및 다른 딥러닝 아키텍처와의 성능 비교를 수행하는 것.

실험 결과

연구 질문

• RQ1 기존의 전통적 기계학습 방법과 비교해 볼 때, LSTM 기반 딥러닝 모델은 기쁨이나 슬픔과 같은 감정을 텍스트에서 얼마나 효과적으로 감지할 수 있는가?
• RQ2 다양한 워드 임베딩은 텍스트 내 감정 감지 모델의 성능에 어떤 영향을 미치는가?
• RQ3 반자동 데이터 수집 기법은 자원이 부족하거나 노이즈가 많은 텍스트 환경에서 감정 감지에 적합한 신뢰할 수 있는 학습 데이터를 생성할 수 있는가?
• RQ4 제안된 모델은 즉시 사용 가능한 딥러닝 모델과 비교해 실생활의 비정형 소셜미디어 텍스트(예: 트위터)에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 LSTM 기반 모델은 기존의 전통적 기계학습 기준 모델보다 실제 트위터 데이터에서 뛰어난 성능을 보였다.
• 모델은 다른 즉시 사용 가능한 딥러닝 모델보다 감정 감지 성능에서 유의미하게 뛰어났다.
• 최적화된 워드 임베딩의 사용은 감정 감지 정확도에 측정 가능한 향상을 가져왔다.
• 반자동 데이터 수집 기법은 감정 감지 작업에 적합한 훈련 데이터를 효과적으로 생성할 수 있었다.
• 모델는 소셜미디어 플랫폼에서 흔히 볼 수 있는 노이즈가 많고 비공식적인 텍스트에 대해 강력한 일반화 능력을 보였다.